كيف تكتب الذكاء الاصطناعي. الذكاء الاصطناعي. التناقضات ومشاكل الخلق. لماذا يهزم الذكاء الاصطناعي البشر
أنشأ الذكاء الاصطناعي شبكة عصبية في 15 ديسمبر 2017
لقد عشنا لدرجة أن الذكاء الاصطناعي ينشئ شبكته العصبية الخاصة. على الرغم من أن الكثير من الناس يعتقدون أنهم واحد ونفس الشيء. لكن في الحقيقة ، ليس كل شيء بهذه البساطة ، والآن سنحاول معرفة ماهيته ومن يمكنه إنشاء من.
قام المهندسون من قسم الدماغ في Google بعرض برنامج AutoML هذا الربيع. هذا الذكاء الاصطناعي قادر على إنتاج ذكاء اصطناعي فريد خاص به دون تدخل بشري. كما اتضح مؤخرًا ، تمكن AutoML لأول مرة من إنشاء NASNet ، وهو نظام رؤية كمبيوتر. هذه التكنولوجيا تفوق بشكل خطير جميع النظائر التي أنشأها الناس في وقت سابق. يمكن أن يكون هذا النظام القائم على الذكاء الاصطناعي مساعدة كبيرة في تطوير ، على سبيل المثال ، السيارات ذاتية القيادة. كما أنه قابل للتطبيق في مجال الروبوتات - ستتمكن الروبوتات من الوصول إلى مستوى جديد تمامًا.
يعتمد تطوير AutoML على نظام تعليم معزز فريد. نحن نتحدث عن شبكة عصبية إدارية تطور بشكل مستقل شبكات عصبية جديدة تمامًا مصممة لأداء مهام محددة معينة. في الحالة التي أشرنا إليها ، يهدف AutoML إلى إنتاج نظام يتعرف بدقة على الكائنات في الفيديو في الوقت الفعلي في الوقت الفعلي.
كان الذكاء الاصطناعي نفسه قادرًا على تدريب شبكة عصبية جديدة ، وتتبع الأخطاء وتصحيح العمل. تكررت عملية التدريب عدة مرات (آلاف المرات) حتى أصبح النظام صالحًا للعمل. من الغريب أنها كانت قادرة على تجاوز أي شبكات عصبية مماثلة متاحة حاليًا ، ولكن تم تصميمها وتدريبها من قبل شخص ما.
في الوقت نفسه ، يقوم AutoML بتقييم أداء NASNet ويستخدم هذه المعلومات لتحسين الشبكة التابعة ؛ تتكرر هذه العملية آلاف المرات. عندما اختبر المهندسون NASNet على مجموعات الصور ImageNet و COCO ، فقد تفوق على جميع أنظمة الرؤية الحاسوبية الحالية.
صرحت Google رسميًا أن NASNet تتعرف بدقة تبلغ 82.7٪. والنتيجة أعلى بنسبة 1.2٪ من الرقم القياسي السابق ، الذي تم تسجيله في أوائل خريف هذا العام من قبل باحثين من المتخصصين في Momenta و Oxford. تعد NASNet أكثر كفاءة بنسبة 4٪ من نظيراتها بمتوسط دقة يبلغ 43.1٪.
هناك أيضًا نسخة مبسطة من NASNet ، والتي تم تكييفها لمنصات الهواتف المحمولة. إنه يتجاوز نظائرها بنسبة تزيد قليلاً عن ثلاثة بالمائة. في المستقبل القريب ، سيكون من الممكن استخدام هذا النظام لإنتاج سيارات ذاتية القيادة ، والتي تعتبر رؤية الكمبيوتر مهمة لها. يواصل AutoML إنتاج شبكات عصبية وراثية جديدة ، ويسعى إلى التغلب على ارتفاعات أكبر.
هذا ، بالطبع ، يثير أسئلة أخلاقية حول المخاوف المتعلقة بالذكاء الاصطناعي: ماذا لو أنشأت AutoML أنظمة بمثل هذا المعدل الذي لا يستطيع المجتمع مواكبته؟ ولكن العديد من الشركات الكبيرةحاول أن تأخذ في الاعتبار المخاوف الأمنية للذكاء الاصطناعي. على سبيل المثال ، تعد Amazon و Facebook و Apple وبعض الشركات الأخرى أعضاء في شراكة AI لإفادة الناس والمجتمع. اقترح معهد الكهرباء والمهندسين (IEE) أيضًا معايير أخلاقية للذكاء الاصطناعي ، وأعلن DeepMind ، على سبيل المثال ، عن إنشاء مجموعة تتعامل مع القضايا الأخلاقية والمعنوية المتعلقة بتطبيقات الذكاء الاصطناعي.
ومع ذلك ، تحاول العديد من الشركات الكبيرة أن تأخذ في الاعتبار مشكلات أمان الذكاء الاصطناعي. هذا ، بالطبع ، يثير أسئلة أخلاقية حول المخاوف المتعلقة بالذكاء الاصطناعي: ماذا لو أنشأت AutoML أنظمة بمثل هذا المعدل الذي لا يستطيع المجتمع مواكبته؟ اقترح معهد الكهرباء والمهندسين (IEE) أيضًا معايير أخلاقية للذكاء الاصطناعي ، وأعلن DeepMind ، على سبيل المثال ، عن إنشاء مجموعة تتعامل مع القضايا الأخلاقية والمعنوية المتعلقة بتطبيقات الذكاء الاصطناعي. على سبيل المثال ، تعد Amazon و Facebook و Apple وبعض الشركات الأخرى أعضاء في شراكة AI لإفادة الناس والمجتمع.
ما هو الذكاء الاصطناعي؟
مؤلف مصطلح "الذكاء الاصطناعي" هو جون مكارثي ، مخترع لغة ليسب ، مؤسس البرمجة الوظيفية والحائز على جائزة تورينج لمساهمته الكبيرة في مجال أبحاث الذكاء الاصطناعي.
الذكاء الاصطناعي هو طريقة لصنع كمبيوتر أو روبوت يتم التحكم فيه بواسطة الكمبيوتر أو برنامج قادر على التفكير بذكاء مثل الإنسان.
يتم إجراء البحث في مجال الذكاء الاصطناعي من خلال الدراسة القدرات العقليةالإنسان ، ومن ثم تستخدم نتائج هذه الدراسة كأساس لتطوير البرامج والأنظمة الذكية.
ما هي الشبكة العصبية؟
فكرة الشبكة العصبية هي تجميع بنية معقدة من عناصر بسيطة للغاية. من غير المحتمل أن يُعتبر جزء واحد من الدماغ ذكيًا - لكن عادةً ما يكون أداء الناس جيدًا بشكل مدهش في اختبار الذكاء. ومع ذلك ، حتى الآن ، كانت فكرة إنشاء عقل "من لا شيء" موضع سخرية: نكتة ألف قرد بآلات كاتبة عمرها مائة عام ، وإذا رغبت في ذلك ، يمكن العثور على نقد للشبكات العصبية حتى في شيشرون ، الذي اقترح بسخرية إلقاء الرموز المميزة بأحرف في الهواء حتى تصبح أزرق في وجهك ، بحيث يظهر نص ذي معنى عاجلاً أم آجلاً. ومع ذلك ، في القرن الحادي والعشرين ، اتضح أن الكلاسيكيات كانت ساخرة عبثًا: إنه جيش القرود الذي يمتلك الرموز التي ، مع المثابرة اللازمة ، يمكنه السيطرة على العالم.
في الواقع ، يمكن حتى تجميع الشبكة العصبية من علب الثقاب: إنها مجرد مجموعة من القواعد البسيطة التي تتم من خلالها معالجة المعلومات. لا يُطلق على "العصبون الاصطناعي" أو Perceptron بعض الأجهزة الخاصة ، ولكن يُطلق عليه بضع عمليات حسابية.
لا يعمل المستشعر الأسهل في أي مكان: فهو يتلقى عدة أرقام أولية ، ويضرب كل منها في "قيمة" هذا الرقم (حوله أقل قليلاً) ، ويجمعها ، وبناءً على النتيجة ، يعطي 1 أو -1. على سبيل المثال ، نقوم بتصوير حقل مفتوح ونعرض نقطة ما للخلايا العصبية الخاصة بنا في هذه الصورة - أي أننا نرسل لها إحداثيات عشوائية كإشارتين. ثم نسأل: "عزيزي العصبون ، هل هذه السماء أم الأرض؟" - "ناقص واحد" ، ترد الدمية وهي تنظر بهدوء إلى سحابة الركام. "من الواضح أن الأرض".
"دس إصبع في السماء" هو المهنة الرئيسية للمستشعرات. لا يمكن توقع دقة منه: يمكنك أيضًا قلب عملة معدنية. يبدأ السحر في المرحلة التالية ، والتي تسمى التعلم الآلي. بعد كل شيء ، نحن نعرف الإجابة الصحيحة ، مما يعني أنه يمكننا كتابتها في برنامجنا. لذلك اتضح أنه مقابل كل تخمين غير صحيح ، يتلقى المستوعب حرفيًا غرامة ، وللتخمين الصحيح ، مكافأة: تزيد "قيمة" الإشارات الواردة أو تنقص. بعد ذلك ، يتم تشغيل البرنامج صيغة جديدة. عاجلاً أم آجلاً ، سوف "تفهم" الخلية العصبية حتمًا أن الأرض بالأسفل في الصورة ، وأن السماء فوقها ، أي أنها ستبدأ ببساطة في تجاهل الإشارة من القناة التي من خلالها تنتقل إحداثيات x إليها. إذا تم إفلات مثل هذا الروبوت المتمرس من صورة أخرى ، فقد لا يعثر على خط الأفق ، لكنه بالتأكيد لن يخلط بين القمة والقاع.
في العمل الحقيقي ، تكون الصيغ أكثر تعقيدًا بعض الشيء ، لكن المبدأ يظل كما هو. يمكن للمدرب القيام بمهمة واحدة فقط: أخذ الأرقام وفرزها إلى مجموعتين. يبدأ الشيء الأكثر إثارة للاهتمام عندما يكون هناك العديد من هذه العناصر ، لأن الأرقام الواردة يمكن أن تكون إشارات من "قوالب" أخرى! لنفترض أن إحدى الخلايا العصبية ستحاول التمييز بين البكسل الأزرق والأخضر ، وستستمر الثانية في العبث بالإحداثيات ، وسيحاول الثالث الحكم على أي من هاتين النتيجتين أقرب إلى الحقيقة. إذا قمت بتعيين عدة خلايا عصبية على وحدات البكسل الزرقاء في وقت واحد ولخصت نتائجها ، فستحصل على طبقة كاملة يتلقى فيها "أفضل الطلاب" مكافآت إضافية. وبالتالي ، يمكن لشبكة منتشرة بشكل كافٍ أن تجرف جبلًا كاملاً من البيانات وأن تأخذ في الاعتبار جميع أخطائها.
يمكن إنشاء شبكة عصبية باستخدام علب الثقاب - ثم سيكون لديك خدعة في ترسانتك يمكنك ترفيه الضيوف في الحفلات. لقد جربه محررو MirF بالفعل - واعترفوا بتواضع بتفوق الذكاء الاصطناعي. دعونا نعلم طائشًا كيف نلعب لعبة 11 عصا. القواعد بسيطة: هناك 11 مباراة على الطاولة ، وفي كل حركة يمكنك أن تأخذ واحدة أو اثنتين. الشخص الذي يأخذ الأخير يفوز. كيف تلعبها ضد "الكمبيوتر"؟
بسيط جدا.
نأخذ 10 علب أو أكواب. اكتب في كل منها عددًا من 2 إلى 11.
نضع حصاتين في كل صندوق - أسود وأبيض. يمكنك استخدام أي عناصر - طالما أنها مختلفة عن بعضها البعض. هذا كل شيء - لدينا شبكة من عشرة خلايا عصبية!
الشبكة العصبية دائمًا ما تذهب أولاً. للبدء ، انظر إلى عدد التطابقات المتبقية ، وخذ المربعات بهذا الرقم. في أول منعطف ، سيكون المربع رقم 11. خذ أي حصاة من الصندوق الأيمن. يمكنك أن تغمض عينيك أو تقلب عملة ، الشيء الرئيسي هو التصرف بشكل عشوائي.
إذا كان الحجر أبيض اللون ، تقرر الشبكة العصبية إجراء تطابقين. إذا كان أسود - واحد. ضع الحصاة بجوار الصندوق حتى لا تنسى أي "خلية عصبية" اتخذت القرار. بعد ذلك ، يمشي الشخص - وهكذا دواليك حتى تنتهي المباريات.
الآن يأتي الجزء الممتع: التعلم. إذا فازت الشبكة باللعبة ، فيجب أن تكافأ: رمي حصاة إضافية من نفس اللون سقطت أثناء اللعبة في تلك "الخلايا العصبية" التي شاركت في هذه اللعبة. إذا فقدت الشبكة ، خذ آخر صندوق مستخدم وأخرج الحجر الذي تم تشغيله دون جدوى من هناك. قد يتضح أن الصندوق فارغ بالفعل ، وفي هذه الحالة تعتبر الخلية العصبية المماثلة السابقة هي الأخيرة. خلال اللعبة التالية ، عند الضغط على مربع فارغ ، ستستسلم الشبكة العصبية تلقائيًا.
هذا كل شئ! العب بعض الألعاب من هذا القبيل. في البداية ، لن تلاحظ أي شيء مريب ، ولكن بعد كل فوز ، ستقوم الشبكة بحركات أكثر وأكثر نجاحًا - وبعد حوالي اثنتي عشرة لعبة ستدرك أنك قد صنعت وحشًا لا يمكنك التغلب عليه.
مصادر:
في سلسلة من المقالات ، سنتحدث عن الأساليب الجديدة في الذكاء الاصطناعي ونمذجة الشخصية ومعالجة البيانات الكبيرة التي لا تتوفر لمعظم المتخصصين في الذكاء الاصطناعي والعامة. تكمن قيمة هذه المعلومات في أنها تم اختبارها جميعًا في الممارسة العملية وتم تنفيذ معظم التطورات النظرية في المشاريع التطبيقية.
لقد سمع الكثير منكم عن التقنيات الحديثة التي ترتبط اليوم بمفهوم الذكاء الاصطناعي ، وهي: الأنظمة الخبيرة ، والشبكات العصبية ، والخوارزميات اللغوية ، والأنظمة الهجينة ، والتقنيات المعرفية ، والمحاكاة (روبوتات الدردشة) ، إلخ.
نعم ، تستخدم العديد من الشركات التقنيات المذكورة أعلاه لحل مشاكل عملائها في معالجة المعلومات. تكتب بعض هذه الشركات أنها أنشأت أو ابتكرت حلول ذكاء اصطناعي. لكن هل هو ذكاء؟
أول شيء سنفعله هو تحديد ماهية الذكاء.
تخيل وجود جهاز كمبيوتر يتمتع بذكاء. ولديك خيار التواصل معه صوتيًا أو عبر الرسائل النصية.أسئلة:
- هل من الضروري بناء ميزات اللغة في برنامج ذكاء الكمبيوتر (وصف الدلالات والقواعد والصرف) أم يمكن أن تتعلم اللغات بمفردها من خلال التفاعل مع شخص ما؟
- إذا تم تكليفك بتدريس لغة الكمبيوتر ، ماذا ستفعل؟
- إذا كنت فقط قد شاركت في التدريب ، فمن سيبدو؟
- ببغاء أصيل قادر نظريًا على التواصل.
- طفل حديث الولادة.
- أولاً ، طلبت منك تخيل (تخيل) "ماذا سيحدث إذا ...". لقد تصرفت في بيئة متغيرة. ربما كنت تفتقر إلى المعلومات والمعرفة ، كان الأمر صعبًا عليك.
- ثانيًا ، تبين أنك قادر على التعلم والإدراك ، وجدت تشبيهًا مألوفًا لك أو قابلته في النص ، أو ربما استخدمت الإنترنت أو طلبت من صديق نصيحته.
أولا قبل كل شيء الذكاء هو القدرة على التعلم والتخيل.
من أجل إنشاء خوارزمية تحاكي الذكاء ، فإن أول شيء يجب فعله هو أعطه القدرة على التعلم، ليست هناك حاجة للمعرفة للاستثمار فيها.دعنا نعود إلى مثال طفلنا لوصف عملية التعلم بمزيد من التفصيل.
ما هي المبادئ الموجودة في العمل عندما يتعلم الطفل فهم اللغة والتحدث بها؟
- كلما سمع كلمة في سياقات مختلفة ، كلما كان يتذكرها بشكل أسرع. من المرجح أن تكون الكلمة الأولى التي سيقولها هي "أمي".
"أمي تحبك"
"أمي ستغسل يديك"
"أمي تقبلك"
"اين امي؟"
يحدث التعلم على حساب تكرار البيانات. - كلما تم إشراك المزيد من قنوات المعلومات ، كان التدريب أكثر فاعلية:
يسمع الطفل: "أمي تحبك".
يرى الطفل ابتسامة الأم.
يشعر الطفل بالدفء الذي ينبع من الأم.
يشعر الطفل بطعم ورائحة حليب الأم.
الطفل يقول "أمي". - لن يتمكن الطفل من إعادة إنتاج الكلمة على الفور. سيحاول ويحاول. "م" ، "ما" ، "أمي" ، "م" ... "أمي". يتم التعلم في الواقع ، يتم تصحيح كل محاولة تالية حتى نحصل على النتيجة. طريقة التجربة والخطأ. من المهم جدًا تلقي ردود الفعل من الواقع.
- لا تعلم أطفالك ، سيظلون يشبهونك. يسعى الطفل ليكون مثل الناس من حوله. يقلدهم ويتعلم منهم. هذه إحدى آليات نمذجة الشخصية ، والتي سنتحدث عنها بمزيد من التفصيل في المقالات المستقبلية.
ما هو دور الخيال؟
تخيل أنك تقود سيارة على طريق سريع غير مألوف. تجاوزت علامة حد السرعة البالغة 80 كم / ساعة. استمر بالقيادة وسترى لافتة أخرى لحد السرعة ، لكنها مبعثرة بالطين ولا يمكن حلها تقريبًا. أنت تتحرك بسرعة 95 كم / ساعة. ماذا ستفعل؟ بينما كنت تتخذ قرارًا ، نظر ضابط شرطة من وراء الأدغال ، ورأيت ابتسامة مشعة على وجهه. في رأسك ، اكتملت "صورة اللافتة" على الفور ، وفهمت سبب وقوف الشرطي هناك ، وأنك بحاجة ماسة إلى الضغط على الفرامل. أنت تبطئ سرعتك إلى 55 كم / ساعة ، وتختفي الابتسامة على وجه الشرطي على الفور ، وأنت تقود سيارتك.و واحدة اخرى مثال مثير للاهتمامأعمال الخيال من عالم الحيوان هي مراقبة طيور العقعق. طائر العقعق مدفون في أرض قاحلة أمام طيور العقعق الأخرى. طار كل طيور العقعق بعيدًا ، لكن طائر العقعق لدينا عاد إلى الأرض القاحلة وأخفى الطعام. ماذا حدث؟ تخيلت (تخيلت) "ماذا سيحدث إذا" طار طائر طائر آخر ، الذي رأى المكان الذي تخبئ فيه الطعام. صممت الموقف ووجدت حلاً لتجنبه.
الخيال هو محاكاة لموقف في ظروف اعتباطية.
كما رأيت بالفعل ، الذكاء ليس قاعدة معرفية ، إنه ليس مجموعة من ردود الفعل المبرمجة أو اتباع قواعد محددة مسبقًا.
الذكاء هو القدرة على التعلم والإدراك والتكيف مع الظروف المتغيرة في عملية حل الصعوبات.
ألا تعتقد أننا في تحديد الذكاء فقدنا رؤية البعض مكونات مهمةأو نسيت أن أقول لك شيئا؟
نعم ، فقدنا الإدراك ، ونسينا الحديث عن الذاكرة.
تخيل أنك تنظر من خلال ثقب الباب وترى جزءًا من الرسالة:
ما هي هذه الرسالة؟
ربما "K"؟
بالطبع لا ، إنها الشخصية اليابانية "الخلود".
قبل أن تقوم بتعيين مهمة (مشكلة). على الأرجح ، وجدت صورة مشابهة للحرف "K" في رأسك وهدأت.
يدرك عقلك كل شيء على أنه صور ويبحث عن صورة مماثلة في الذاكرة ، إذا لم تكن موجودة ، فسيتم تكوين رابط (مرساة) للصور الموجودة وبفضل هذا يمكنك حفظ معلومات جديدة واكتساب مهارات أو خبرة.
صورة - رؤية ذاتية للعالم الحقيقي ، يتم إدراكها بمساعدة الحواس (قنوات المعلومات).
الإدراك ذاتي ، لأنه يعتمد على تسلسل التعلم ، وتسلسل ظهور الصور في حياة الشخص وتأثيرها.
يبدأ الإدراك بالتعرف على الأنماط الفاتحة / الداكنة. افتح عينيك - نور ، قريب - مظلم. علاوة على ذلك ، يتعلم الشخص التعرف على المزيد والمزيد من الصور المعقدة - "الأم" ، "الأب" ، الكرة ، الطاولة ، الكلب. نتلقى بيانات مرجعية ، وجميع الصور اللاحقة هي إضافة للصور السابقة.
من وجهة النظر هذه ، التعلم هو عملية بناء علاقات جديدة بين الصور المدركة والصور الموجودة بالفعل في الذاكرة.
تعمل الذاكرة على تخزين الصور وعلاقاتهم..
لكن الخيال هو القدرة على إكمال صورة غير مكتملة.
للتلخيص ، إليك تجربة أخرى من عالم الحيوان:
تم وضع الشمبانزي في قفص ، وداخل القفص علقوا مجموعة من الموز مرتفعة جدًا عن الأرض. في البداية ، قفز الشمبانزي ، لكنه سرعان ما سئم ، وبدا أنه فقد الاهتمام بالموز وجلس ، وبالكاد ينتبه له. لكن بعد فترة ، التقط القرد عصا في القفص وهز الموز حتى سقط. وفي مناسبة أخرى ، تمكن الشمبانزي من ربط عصيْن للحصول على موز ، لأن كل عصا بمفردها لم تكن كافية للوصول إليهما. تعامل الحيوان مع مهمة أكثر صعوبة ، حيث وضع صندوقًا بشكل غير متوقع تحت الموز واستخدمه كخطوة.
أظهرت الشمبانزي لها صورة "مجموعة الموز" المألوفة. لكن الصورة بالنسبة لها كانت غير مكتملة - لا يمكن إخراجها وأكلها. ولكن نظرًا لأن هذا كان المصدر الوحيد للغذاء المتاح ، فإن الصورة غير المكتملة أدت إلى توتر داخلي وطالبت بالإكمال.
كانت وسائل حل المشكلة (إكمال الصورة) متاحة دائمًا ، لكن ظهور حل تطلب تحويل الصور الموجودة (كان من الضروري التعلم بمساعدة الخيال). كان الشمبانزي بحاجة إلى تخيل (قائمة ذهنيًا بجميع الخيارات الممكنة): "ماذا سيحدث إذا أخذت عصا" ، "ماذا سيحدث إذا ..." والافتراضات الأكثر احتمالية للاختبار في الممارسة العملية ، حاول الحصول على التعليقات ، تخيل مرة أخرى ، حاول ، احصل على اتصال بالملاحظات وما إلى ذلك حتى نكمل الصورة (تعلم).
إذا كان التعرف على صورة "الخلود" بالهيروغليفية مسألة حياة أو موت بالنسبة لك ، فستجد بالتأكيد طريقة للقيام بذلك.
من لغة أكثر شيوعًا ، دعنا ننتقل إلى لغة تقنية ونصوغ المفاهيم الأساسية التي سنستخدمها أكثر:
- يؤدي تقاطع المعلومات الزائدة عن الحاجة من قنوات المعلومات المختلفة إلى إنشاء صورة.
- التعلم تحول تدفق المعلوماتفي مجال المعلومات.
- مجال المعلومات (الذاكرة) - تخزين الصور وعلاقاتها.
- الخيال ...
- "عزيزي القارئ أكمل صورة المخيلة بنفسك مستخدمًا معلومات زائدة من تجربتك الحياتية وهذا المقال." - الذكاء هو القدرة على التعلم والتخيل.
في بداية المقال ، قمنا بإدراج التقنيات المرتبطة اليوم بالذكاء الاصطناعي ، والآن يمكنك بشكل مستقل تقييم مدى توافقها مع مفهوم الذكاء.
في المقالة التالية ، سننظر في مهمة مثل البحث الفكري عن المعلومات على الإنترنت. دعونا نحدد معايير الذكاء ، ونطور الأساليب العملية و "نشعر" بالتطبيق الحقيقي الذي ينفذ المبادئ الموضحة في هذه المقالة.
المقال لا يدعي صحته ، فهو جزء من تطوراتنا وأبحاثنا. اكتب تعليقات ، واستكمل المادة بأمثلة أو أفكارك. تعلم وتخيل ...
لا يعرف الجميع ما هو مخفي وراء عبارة "الذكاء الاصطناعي" أو AI (الذكاء الاصطناعي). يعتقد معظم الناس أن الذكاء الاصطناعي هو جهاز كمبيوتر تمت برمجته "للتفكير" بنفسه ، واتخاذ قرارات ذكية ، والاستجابة للمنبهات. هذه الفكرة ليست صحيحة تماما. لا يستطيع أي كمبيوتر ولا آلة التفكير حقًا - لأنه يتطلب وجود الوعي ، الذي لا تملكه "الآلة التي لا روح لها". يمكن للكمبيوتر أن يفعل ما يطلبه الشخص فقط.
باختصار عن برمجة الذكاء الاصطناعي
لا تتعلق برمجة الذكاء الاصطناعي بتعليم الكمبيوتر كيف يفكر. بدلاً من ذلك ، سيتم برمجته لتعلم وحل مشاكل محددة بنفسه بناءً على خبرته. لكننا هنا أيضًا لا نتحدث عن تفكيرنا ، بل عن التقليد. ينطبق هذا أيضًا على القرارات التي يتخذها الذكاء الاصطناعي. يمكن أن يزن الخيارات ثم يتخذ القرارات. ومع ذلك ، سيستند اختياره دائمًا على المعلمات التي تمت برمجتها مسبقًا.
وبالتالي ، يمكن للذكاء الاصطناعي فقط أن يفعل ما تم تحديده مسبقًا لجهاز الكمبيوتر ، ولكنه أفضل ، وأكثر دقة وأسرع من الإنسان. بالمناسبة ، إذا كنت تريد تعلم كيفية البرمجة ، ألق نظرة على نصائحنا للمبرمجين المبتدئين.
استخدام الذكاء الاصطناعي
يتم استخدام الذكاء الاصطناعي بالفعل في العديد من المجالات ، مثل المعقد ألعاب الكمبيوترومحركات البحث. عند برمجة الذكاء الاصطناعي ، تلعب مجموعة من التخصصات دورًا مهمًا ، وليس فقط علوم الكمبيوتر أو الرياضيات. الفلسفة وعلم النفس وعلم الأعصاب واللغويات لها أهمية كبيرة.
ينقسم الذكاء الاصطناعي إلى عصبي ورمزي (قوي وضعيف). المحاولات الأولى لتقليد هياكل ووظائف الدماغ البشري. هذا الأخير يركز على المشكلة والنتيجة ذات الصلة.
في الحياة اليومية ، على سبيل المثال ، يتم برمجة الذكاء الاصطناعي واستخدامه في الروبوتات. إنه يعمل على التحكم في عمليات الإنتاج أو يؤدي ببساطة المهام المنزلية. تستخدم أيضًا للتخيل. المثال الأكثر شيوعًا هو التعرف على الوجه أو بصمات الأصابع.
تعتبر الأنظمة القائمة على المعرفة خطوة أخرى في إنشاء الذكاء الاصطناعي. ثم يتم إدخال البيانات المتعلقة بالبرمجة في البرنامج. هذا يسمح للذكاء الاصطناعي بإعطاء إجابات منطقية ومستقلة طرح الأسئلة. ومع ذلك ، فإن هذه "الإجابات المستقلة" تستند فقط إلى المعرفة التي كان يتمتع بها الذكاء الاصطناعي في الأصل.
في هذا الجزء ، لا أكثر ولا أقل ، يتم إخباره عن الخوارزمية التي يقوم عليها النشاط الفكري. بالتوازي مع ذلك ، سنحاول الإجابة عن السؤال المتعلق بكيفية ظهور ظواهر مشابهة في الذكاء الطبيعي. بالطبع ، لن نكشف كل أسرار الذكاء ، ولن نخلق دماغًا شفقًا ، لكننا سنكتشف المبادئ ، والاتجاه الرئيسي للمكان الذي يجب أن نحفر فيه أكثر. سوف نتعلم المزيد عن العقل البشري. سيكون هناك أيضًا رسومات عملية للخوارزميات التي يمكن برمجتها على جهاز كمبيوتر في الوقت الحالي.
لكن أولاً ، باختصار ، ما توصلنا إليه في الأجزاء السابقة (). لقد نسيت بنفسي ما كان هناك بالفعل ، لذلك سأحتاج إلى تذكير نفسي ، وإلا فلن أكون قادرًا على معرفة المزيد. :) من يتذكر - تخطي هذا القسم.
ما حدث في الماضي
يعتقد بنروز ، في كتبه الرائعة ، أن الدماغ قادر على إصدار أحكام صحيحة تمامًا ، ويجادل بأن أساس العمليات العقلية هي عمليات فيزيائية يمكنها إجراء حسابات أبدية في وقت محدود. علاوة على ذلك ، فإن هذه العمليات لا تحسب أي شيء فحسب ، بل تحسب الحقيقة المطلقة التي لا يمكن دحضها بالمعنى الحقيقي للكلمة. ويمكن للدماغ "سحب" هذه العمليات للتفكير. وهذا هو سبب الحاجة إلى مثل هذه العمليات لكي يعمل الدماغ. وعلى الرغم من أن مثل هذه العمليات غير معروفة لفيزياء اليوم ، يعتقد بنروز أن المستوى الأعمق للكون هو حقيقة مختلفة تعتمد على مثل هذه العمليات.
من نواح كثيرة ، بنروز محق في هذا الواقع الآخر ، وأكثر من ذلك ، يومًا ما سوف نشارك أفكارًا مثيرة للاهتمام ومتشابهة بنفس القدر حول ما يكمن في أسس الكون. لكن على الرغم من ذلك ، سارع بنروز ، وقفز ، إذا جاز التعبير ، بضع خطوات. يمكن تفسير الغالبية العظمى (إن لم يكن كلها) من النشاط الفكري بعبارات بسيطة ودنيوية.
ميزة Penrose التي لا شك فيها هي أنه شرح السبب بشكل مقنع النشاط الفكريلا يمكن بأي حال من الأحوال أن يستند إلى منطق رسمي (أو بعبارة أخرى ، على خوارزميات صارمة). بتعبير أدق ، أظهر بنروز أن المنطق الحقيقي تمامًا (وهو أيضًا نشاط فكري في فهم بنروز) مستحيل في العمليات الفيزيائية المعروفة. لكننا فهمنا ذلك على طريقتنا الخاصة ، أي أن النشاط الفكري لا يحتاج إلى منطق حقيقي تمامًا. أو بعبارة أخرى ، العقل البشري معقول ، إنه ينتج مقاربات جيدة للحقيقة ، لكن لا يزال هناك احتمال للخطأ. وهذا يغير الأمر جذريًا ، أي أنه يغير تمامًا نهج كيفية شرح الذكاء الطبيعي ، وكيفية بناء الذكاء الاصطناعي. ويمكن نمذجة هذا الذكاء على آلة تورينج ، مبرمجة على جهاز كمبيوتر تقليدي ، ومع ذلك ، فمن الأفضل أن يكون لديك بنية ذات قوة أكبر وبتوازي متأصل ، على سبيل المثال ، الكم أو البصري.
الآن دعونا نتذكر نوع الجلبة التي تدور حول الحقيقة وليس حقيقة المنطق. ترتبط الحسابات الرياضية والحاسوبية ، والانعكاسات البشرية ، والتركيبات المنطقية والاستدلالات بمفهوم الخوارزمية أو النظام الرسمي (في الواقع ، هذا هو نفس الشيء). يعد تنفيذ الخوارزمية (وهو أيضًا تطبيق قواعد النظام الرسمي) نموذجًا لجميع أنواع الحسابات والانعكاسات والعمليات الفيزيائية الأخرى (أو ، على الأقل ، تقريب جيد إلى حد ما). الخوارزمية هي مجموعة من التعليمات التي يمكن لبعض أجهزة الكمبيوتر المجردة (آلة تورينج) تنفيذها بالتسلسل في خطوات.
هناك مفهوم الخوارزمية الصارمة (وهو أيضًا نظام رسمي كامل ومتسق). على نفس مجموعة بيانات الإدخال ، خوارزمية صارمة لـ نهائيعدد الخطوات سيعطي نفس الإجابة. كما هو مطبق على الأنظمة الرسمية والتفكير المنطقي ، فهذا يعني أنه في وقت محدود للظروف الأولية يمكن للمرء أن يجد الإجابة الصحيحة (المتسقة وغير الغامضة). تسمى هذه الحسابات أيضًا بالحتمية.
ولكن هناك أيضًا خوارزميات غير حتمية (غير صارمة) لا يتم فيها استيفاء هذه الشروط (وهي أيضًا أنظمة رسمية غير كاملة / متناقضة). بالنسبة للخوارزمية ، يعني عدم مراعاة شرط التحديد أنه من غير المعروف ما إذا كانت الخوارزمية ستنتهي من حسابها ، وليس من الواضح كيفية معرفة ذلك مسبقًا. قد تنتهي الخوارزمية غير القطعية من حسابها ، أو قد تتجول إلى الأبد ، ولكن ما ستفعله بالضبط هو لغز يمكن تخمينه إلى الأبد. بالنسبة للأنظمة الرسمية ، ينتهي إثبات صحة أو زيف البيان الأصلي يومًا ما بشكل غير مفهوم أو سيستمر إلى الأبد. يعني عدم الاتساق أنه ضمن النظام الرسمي ، يمكنك اختيار سلاسل مختلفة من القواعد التي ، بالنسبة للبيان الأصلي ، ستعطي إجابة صحيحة وخاطئة. بالنسبة للخوارزمية ، هذا يعني أنه يمكن الحصول على نتائج مختلفة على نفس البيانات.
يقول الكثيرون ، بمن فيهم بنروز ، إن النشاط الفكري يقوم على منطق رسمي صارم. لكن هناك كمين عالمي هنا. تقول نظرية وديل الراسخة أن النظام الرسمي لا يمكن أن يكون كاملاً ومتسقًا. يعني الاكتمال أن النظام الرسمي يعرف كل شيء عن مجال معرفته. إن تضمين مثل هذا النظام يمكن أن يحكم على حقيقة نفسه. إذا أنشأ شخص ما من الخارج نظامًا رسميًا ، فيمكنه العمل ، وتحقيق النتائج الصحيحة وعدم الاهتمام على الإطلاق بما إذا كان هذا الشخص قد أنشأه بشكل صحيح. إذا حاول النظام الرسمي التأكد من أنه تم بشكل صحيح ، فسيفشل. لأن نظامنا متسق ولكنه غير كامل. إذا كان بإمكان النظام الحكم على صحة نفسه (كامل) ، فسيكون لهذا النظام تناقضات داخلية ، ولن تكون نتائج أنشطته صحيحة بالضرورة. لماذا ا؟ بما في ذلك لأن مسألة الاختبار الذاتي (معرفة الذات ، والتأمل الذاتي) تنتمي إلى فئة الحسابات الأبدية.
ماذا يتبع من هذا؟ اتضح (حسب بنروز) أن العقل البشري هو نظام كامل ومتسق ، لأنه يمكن أن يولد بيانات صحيحة وفي نفس الوقت يراقب صحة نفسه. لكن وفقًا لنظرية جودل ، هذا مستحيل. لذلك علينا أن نشرك عمليات فيزيائية غير معروفة لعمل العقل ، والتي يمكنها في لحظة قصيرة النظر إلى الخلود ، والعثور على الإجابة وإعادة هذه الإجابة إلى الدماغ. لكن كما أشرنا سابقًا ، لا يجب أن يكون العقل كاملاً ومتسقًا ، على الرغم من أنه يمكن أن يتظاهر بشكل معقول بأنه حقيقي ومعصوم من الخطأ.
الكمين الثاني هو أن الفيزياء لا تعرف الكيانات التي يعمل عليها المنطق الرسمي. على وجه التحديد ، غالبًا ما يعتمد التفكير الرسمي على مفاهيم الأعداد الطبيعية ومفاهيم الحقيقة والخطأ. الأعداد الطبيعية هي تلك التي يكون فيها 1 + 1 = 2 ، 2 + 1 = 3 ، وهكذا. صواب = 1 ، خطأ = 0 ، نفي الصواب = خطأ. جميع الوحدات متساوية تمامًا مع بعضها البعض ، ولا يتغير تبديل شروط المجموع ، وما إلى ذلك. نعم ، المشكلة هي أنه في عالمنا لا توجد مثل هذه الجسيمات ، مثل هذه الأشياء أو العمليات التي يمكن مقارنتها بشكل لا لبس فيه بالأعداد الطبيعية ، وفي نفس الوقت ، يتم استيفاء قواعد الحساب لهذه الكيانات في أي نطاقات. في بعض النطاقات ، يكون الحساب صحيحًا تقريبًا ، ولكن تبدأ حالات الفشل العامة خارج النطاق. لذلك ، فإن المنطق الرسمي ، بالمعنى التقريبي ، يعمل دون فهم ما هي الكيانات التي يكون جوهرها غامضًا إلى حد ما. علاوة على ذلك ، فإن الحساب نفسه لا ينطبق على الأنظمة الكاملة والمتسقة ، مثل حقيقة ممتعة. وبوجه عام ، يبدو أن مفاهيم مثل الحقيقة المطلقة ، والأرقام الطبيعية ، من حيث المبدأ ، لا يمكن أن توجد. كيف ولماذا ، سيكون في الأجزاء التالية.
ماذا يتبع من هذا؟ جميع العمليات ، وجميع العمليات الحسابية التي تحدث حتى في الدماغ ، حتى في أجهزة الكمبيوتر ، هي بطبيعتها إما غير كاملة أو متناقضة ، على الرغم من أنها في نفس الوقت تعطي تقديرًا تقريبيًا معقولًا لإكمال الحسابات واتساقها.
لماذا يكره Penrose النظم الشكلية المتناقضة ، ولماذا يحرمها Penrose من الحق في أن تكون أساس النشاط الفكري؟ كما نتذكر ، في نظام رسمي غير متسق ، لنفس البيانات ، من الممكن اشتقاق كل من بيان صواب وخطأ ، حتى حقيقة أن 1 = 2 وما إلى ذلك. على هذا الأساس ، يلمح Penrose إلى أن الأنظمة غير المتسقة سوف تفعل ذلك دائماً(!)تعطي نتائج متضاربة. من هنا ، يتبع Penrose تفسيرًا ضيقًا جدًا للعمليات الفوضوية ، فهو يعتقد أن هذه مجرد عمليات عشوائية يمكن ، في المتوسط ، تصميمها من خلال نظام رسمي صارم.
في الواقع ، يمكن للأنظمة غير المتسقة في معظم الحالات أن تتقارب مع النتيجة الحقيقية ، وليس من الضروري على الإطلاق أن تهيمن التناقضات الداخلية على النظام وتدمره على الفور. قد تكون هناك أنظمة يتم فيها تقليل التناقضات. وحتى عند تشغيلها على جهاز كمبيوتر مجرد ، فإنها ستظل غير حتمية ، وستكون غير مكتملة وغير متسقة ، ولكنها في معظم الحالات ستنتج نتيجة معقولة. لماذا قرر بنروز أن الأنظمة المتناقضة ستدمر دائمًا بسبب تناقضاتها؟ صمت بنروز على هذا ...
بالإضافة إلى. كما رأينا في الأجزاء السابقة ، فإن عمليات عالمنا ، سواء في أجهزة الكمبيوتر أو في العقول ، كلها غامضة ومتناقضة بطبيعتها. لكن في معظم الحالات يصدرون النتيجة الصحيحة. ويرجع ذلك إلى حقيقة أن هذه العمليات تتكون إما من تكرارات متعددة لحسابات مماثلة ، أو من عدد كبير من العناصر المتشابهة ، بحيث ينتج عن الجمع بين هذه التكرارات أو العناصر في معظم الحالات نتيجة مستقرة وصحيحة. هذا ، بالطبع ، يترك فرصة ضئيلة للغاية في أن ينمو تناقض داخلي صغير ويدمر النظام بأكمله. لكن في معظم الحالات ، يبدو أن النظام ينسق ، العناصر ، التي تعمل على بعضها البعض ، تقلل التناقضات الداخلية. ليست كل العمليات في عالمنا منسجمة بشكل كبير ، ولكن هناك مثل هذه العمليات ، وما يحدث في أجهزة الكمبيوتر وفي الدماغ ينتمي إليها. من أين يأتي هذا التنسيق في عالمنا؟ الأجزاء التالية. لا تزال هناك فرصة ضئيلة في رؤيتنا للعالم ، في نشاطنا الفكري ، أننا على نحو ما مخطئون عالميًا ، وأن هناك ثقبًا دوديًا صغيرًا في أحكامنا ، والذي يمكن أن يقلب تمامًا فكرتنا الكاملة عن الكون رأسًا على عقب. لكن المزيد عن ذلك في الأقسام التالية.
في البداية ، يعتمد التفكير البشري فقط على مثل هذه العمليات. لا توجد سلاسل منطقية طويلة ، ولا قواعد واضحة. بدلاً من ذلك ، توجد سلاسل قصيرة للاستجابة للحالات ، بدون دورات معالجة طويلة. تحتوي عناصر هذه السلاسل على عدد كبير من المدخلات ، وداخل العنصر ، تتفكك بيانات الإدخال إلى العديد من المسارات المتوازية ، مكررة بعضها البعض ، ومسارات غامضة تعطي حلاً واضحًا عند الإخراج. لقد أطلقنا على هذه العناصر قواعد وجيزة وواسعة النطاق. مثل هذه القواعد لا تتعامل مع الاستدلال المنطقي ، فهم بالفعل "يتذكرون" حل تسليم المفتاحللمواقف المعروفة لهم. إن آلية تعلم مثل هذه القواعد بعيدة كل البعد عن الاستنتاج المنطقي الواضح ويتم وصفها في الأجزاء السابقة.
هذه العمليات جيدة للتفاعل مع العالم الحقيقي ، لكن المنطق الرسمي صعب بالنسبة لهم. ومع ذلك ، يمكن للعقل البشري أن يعمل في طريقة المنطق الرسمي ، ويمكنه محاكاة حسابات الكمبيوتر. ربما ، ولكن على حساب المزيد من العمليات "الثقيلة". من أجل إجراء حسابات دائرة منطقية بسيطة ، برنامج بسيط ، في الدماغ ، يتم تضمين عدد لا يحصى من القواعد الغامضة القصيرة ، والتي ، في مجموعتها ، تعطي نتيجة مماثلة لعمل المنطق الصارم. وبما أن هذه القواعد ليست مخصصة للمنطق الرسمي على الإطلاق ، فإن عددهم المشاركين في محاكاة المنطق الرسمي سيكون أكبر بكثير من عددهم في التفاعل مع العالم الحقيقي. وبالتالي ، فإن الحيوانات المختلفة غير قادرة على التفكير المنطقي ؛ وهذا يتطلب دماغًا بشريًا متطورًا. على الرغم من المهام اليومية التي تحلها الحيوانات المختلفة بشكل عابر ، إلا أن الكمبيوتر لا يمكنه القيام بذلك.
لكن مثل هذه العمليات "الثقيلة" لها ميزة. وهو يتألف من حقيقة أن الدماغ يمكن أن ينتج تركيبات منطقية وبرامج كمبيوتر جديدة بدرجة عاليةالمعقولية ، في حين أن الخوارزمية البسيطة والفعالة لا يمكنها القيام بعملها إلا دون جدوى. إن تعقيد الإنشاءات المشتقة هو العديد من الطلبات من حيث الحجم أقل من درجة العمليات المتضمنة في البداية في الدماغ. هذا الاختلاف في التعقيد هو الذي يحل التناقض بأن العمليات الفكرية المتناقضة تخلق بنى منطقية حقيقية. إذا لم يؤخذ هذا الاختلاف في التعقيد في الاعتبار ، فلا توجد طريقة لفهم مصدر هذه التركيبات الحقيقية.
المهام التي تتطلب إنشاءات منطقية معقدة ، يحلها الشخص حرفيًا بطريقة "الوخز العلمي". على وجه التحديد ، ابتكر خيارًا أبسط ، وقم بتشغيل حساباته في الدماغ ، وشاهد اللحظات الخاطئة ، وابتكار الخيار التالي (ليس بالضرورة الخيار الصحيح) ، ومحاكاة الحساب مرة أخرى ، وما إلى ذلك. مع التدريب الجيد ، تنتقل مثل هذه الإنشاءات إلى فئة الأفعال التلقائية السريعة التي لا تتطلب مشاركة الوعي (ومع ذلك ، فإن تعقيدها لا يزال هائلاً) ، ويتم تذكر المواقف النموذجية ، و يبدوأن الدماغ يعمل كجهاز كمبيوتر عادي (وفقًا للمنطق الرسمي) ، على الرغم من أن هذا ليس هو الحال على الإطلاق.
يحدث هذا أيضًا عندما يتم "صهر" الدماغ لفترة طويلة ، "تسريع" أداء بعض المهام ، هناك إشارة مرجعية للبيانات الأولية ، والمحاولات الفاشلة ، والنذيرات الغامضة والشوق إلى أن الحقيقة في مكان ما قريب. ثم انفجرت ، ومضة من البصيرة ، كل شيء يقع في مكانه وتولد حقيقة جديدة. قد يبدو أن هذه الحقيقة ولدت على الفور وجاءت من العوالم العليا. لكن في الواقع ، التأثير هو نفسه ، سبقت ومضة من البصيرة عمل طويل وشاق تضمن وتغير وخلق عددًا لا يحصى من القواعد القصيرة والمعقولة ، وحاول بطريقة ما دمجها معًا ومواءمتها ، في معظم الأحيان دون جدوى. والآن تأتي اللحظة التي يتم فيها دمج كل هذه القواعد بالفعل بشكل متناغم مع بعضها البعض ، والاندماج في عملية واحدة متناغمة ، وكلها تقدم حقيقة جديدة.
يمكن برمجة الذكاء الاصطناعي ، باتباع هذه المبادئ ، على أجهزة الكمبيوتر العادية. بطبيعة الحال ، سيهدف هذا البرنامج في البداية إلى عدم الحتمية ووجود التناقضات الداخلية. بينما يتم كتابة برامج الكمبيوتر الموجودة ، على الرغم من عدم حتمية وغير متسقة برامج حديثةتهدف إلى تقليل اللامبالاة والتناقضات فيها. بالطبع ، من الأفضل للذكاء الاصطناعي استخدام بنية أكثر كفاءة تسمح بذلك عدد كبير منعمليات موازية ومتفاعلة. على سبيل المثال ، الكم أو البصري. يمكن أيضًا برمجة أجهزة الكمبيوتر الإلكترونية ذات المعالج الواحد للذكاء ، لكنها ربما تفتقر إلى القوة.
سيتم وصف العمليات "الثقيلة" والمواءمة بالتفصيل لاحقًا ، والآن لنبدأ في تصميم الذكاء الاصطناعي.
لبنات بناء الفكر
لنبدأ بتذكر ما توصلنا إليه بالفعل في هذا المجال وما هو مفقود. كل هذا موصوف بالتفصيل في الأجزاء السابقة. نذكرك بهذا من أجل فهم سبب ذلك ، وليس غير ذلك. بعد كل شيء ، خوارزمية الذكاء نفسها ليست معقدة للغاية ، الشيء الرئيسي فيها هو المبادئ ، تحتاج إلى فهم الاتجاه الذي يجب أن تتحرك فيه وما هي النتائج المتوقعة.
لغات البرمجة. هناك إجرائية ومسند. في اللغات الإجرائية ، تتم كتابة البرنامج كتسلسل صارم من التعليمات ، يمكن أن يكون هناك قفزات شرطية بينهما.
تحتوي اللغات الأصلية على مجموعة من القواعد المستقلة ، ولكل منها نطاقها الخاص. يتحقق المنفذ في اللغات الأصلية من جميع القواعد للامتثال للوضع الحالي ويطبق القواعد الصحيحة، مما يغير الوضع (الحالة الداخلية) ، وبالتالي يمكنه بناء سلاسل منطقية طويلة من القواعد. بطبيعة الحال ، يعد هذا الأمر أكثر صعوبة بالنسبة إلى المؤدي من تنفيذ برنامج إجرائي.
اللغات الإجرائية جيدة عندما تكون الخوارزمية معروفة بوضوح وتتطلب سريعًا و التنفيذ الفعال. تعتبر اللغات الأصلية جيدة حيث تحتاج إلى تخزين المعرفة البشرية ، والقواعد المنطقية ، ثم استخلاص النتائج بشأن المعرفة (على سبيل المثال ، تقييم مواقف الإدخال المختلفة). من الملائم إضافة معرفة جديدة إليهم ، دون إعادة كتابة البرنامج بأكمله. حتى أن هناك تعديلات يتم فيها ، بعد إدخال المعرفة الجديدة ، إحضار قاعدة المعرفة بأكملها إلى حالة متسقة. تعتبر اللغات الأصلية (مثل Prolog) لبعض الوقت مستقبل الذكاء الاصطناعي.
لكن الحقيقة هي أن اللغات الإجرائية واللغات الأصلية يتم التعبير عنها بشكل متبادل في بعضها البعض ولديها نفس المشكلات المتأصلة في الخوارزميات (الأنظمة الرسمية ، انظر أعلاه وأدناه).
أولا ، نحن نواجه مشكلة التوقف. يمكن للخوارزمية أن تتجول إلى الأبد بحثًا عن حل ، على الرغم من أنها قد تقع في مكان قريب ، في فرع مجاور. لكن الخوارزمية سوف تتوافق مع نظام رسمي كامل ومتسق. لكن لا معنى لنا (حتى الآن نعتقد أنه لا يمكننا القيام بحساب أبدي في وقت محدود). إذا قمنا بعمل نوع من التقليم للفروع "الطويلة" ، فستصبح الخوارزمية أكثر عملية ، لكنها ستفقد اكتمالها واتساقها ، ولن تصبح صحيحة ، ولكنها معقولة. وهنا لا نتحدث عن حقيقة أن احتمال اتخاذ قرار غير صحيح سوف يتوسع قليلاً ، ولكن الخوارزمية ستكون قادرة على إنتاج قرارات خاطئة جذريًا.
ثانيًا ، القواعد الأصلية التي تتكون منها الوحدات المنطقية "ضيقة" للغاية. في الذكاء الطبيعي ، تمتلك الوحدات المنطقية الطلب #٪ sالمزيد من شروط الإدخال وتتم معالجة هذه المدخلات وفقًا لمعايير ضبابية. علاوة على ذلك ، مع مثل هذا التمثيل ، فإن المعرفة "تلطخ" وتفقد وضوحها وشكلها.
المنطق الضبابي الحالي (يوجد مثل هذا القسم في العلم) غير مناسب للاستخدام في اللغات الأصلية ، ولهذا السبب. أي غموض ، عندما يواجه ضبابية أخرى في الاستدلال المنطقي ، يمكن أن يولد العديد من البدائل ، سلاسل منطقية مختلفة. علاوة على ذلك ، يمكن أن تنمو هذه الخيارات بسهولة مثل الانهيار الجليدي. إن المنطق الضبابي الحالي ، على حد علمي ، لا يتعامل مع موازاة السلاسل أو اتحادها العكسي. يعمل كل المنطق الضبابي بنفس التعبيرات المنطقية ، ولكن بدلاً من الصفر المنطقي والواحد ، فإنه يستخدم نطاقًا حقيقيًا من صفر إلى واحد ، والعمليات الحسابية لدمج الأرقام من هذا النطاق.
هناك متغيرات من المنطق "المعقد" ، حيث عندما ينعكس الضمني ، ينشأ عدم التحديد ، والذي يتم التعبير عنه بشيء مثل الوحدة التخيلية ، والذي يشارك في حسابات أخرى ، مع إمكانية الموازاة ودمج السلاسل. لكن في حين أن هذا الموضوع يتطلب المزيد من الإفصاح.
ثالثًا ، ليس لدينا خوارزمية يمكنها تدريب (إنشاء) خوارزميات أخرى ، في حالة عدم وجود شخص ، ولكن عندما تكون هناك مجموعة من مواقف التدريب (مجموعة تمثيلية من أزواج من قيم المدخلات والمخرجات الصحيحة).
أنظمة التعرف على الأنماط. مناسب تمامًا لدور الوحدة المنطقية لذكائنا الاصطناعي. إنهم قادرون على تصنيف حالة الإدخال جيدًا وإصدار حل للمخرجات. صحيح ، فقط إذا لم تكن هناك حاجة إلى معالجة طويلة المدى ، لأن مثل هذه الأنظمة لا تحتوي على ذاكرة داخلية (حالة) وتحويل لهذه الحالة ، وهو ما يمثل بالأحرى رد فعل "محفز-استجابة". ولكن مع تصنيف المتعرفين يتعاملون بشكل مثالي. يمكنهم حتى معالجة الصور المعقدة (على سبيل المثال ، التعرف على شخص من صورة وجه). تعتبر طرق تدريب أنظمة التعرف على الأنماط فعالة ومعروفة. من خلال تدريبه على مجموعة من الأمثلة المعروفة ، يمكن لأداة التعرف التقاط الأنماط المخفية وتعميم التجربة نوعياً على أمثلة غير معروفة.
مبادئ التعلم. عند معرفة النتيجة (المرجعية) المرغوبة والنتيجة الحقيقية لتشغيل النظام الذكي ، يمكن حساب خطأ هذا النظام وتصحيح النظام بحيث يعمل في الاتجاه الصحيح.
طرق التصحيح (التدريب) دقيقة (تسمى أيضًا محلية) وعالمية. الأساليب المحلية قادرة على حساب الخطأ في جميع أنحاء النظام ، وبالتالي فهي سريعة وفعالة. لا تستطيع الطرق العامة القيام بذلك ، فهي تقوم بتغيير معلمات النظام بأكمله بشكل عشوائي ، وتنظر في مدى نجاح التغيير في التأثير على النظام ، وعلى هذا الأساس تقرر ما إذا كنت تريد حفظ هذا التغيير.
تشير طريقة نزول التدرج إلى الطرق المحلية ، حيث يمكن حساب اتجاهها لخطأ ما ، ونشرها من الإدخال في الاتجاه المعاكس في جميع أنحاء النظام. مثل هذه الطريقة ، على الرغم من كونها معقولة "فقط" ، إلا أنها تعطي نتائج جيدة في الممارسة ، على سبيل المثال ، لتدريب الإدراك متعدد الطبقات (والتي تسمى غالبًا الشبكات العصبية). لكنها لا تنطبق دائمًا (بالإضافة إلى الطرق المحلية الأخرى) ، نظرًا لأن بنية الخطأ وطريقة تصحيحه قد لا تكون معروفة.
لكن لدينا طرق تعلم عالمية ، وخوارزمية جينية ومحاكاة التلدين ، فهي آكلة اللحوم ، لكنها شرهة جدًا في موارد الحوسبة. يمكنهم العمل عندما لا يعرف الكثير عن كيفية تصحيح الخطأ. تعد الخوارزمية الجينية أكثر كفاءة ، خاصة إذا كنت تعرف شيئًا عن بنية المشكلة التي يتم حلها.
مبدأ المقياس. يعني أنه من خلال تكرار عمليات مماثلة عدة مرات أو عن طريق الجمع بين عدد كبير من العناصر المتشابهة ، يمكن تحقيق نتيجة مستقرة للغاية (أو معقولة للغاية). عنصر / عملية مماثلة لا تعني متشابهًا في المتوسط ، فهذا يعني أن العناصر يمكن أن تتعارض وتتنافس مع بعضها البعض ، ويمكن أن تكون غير مستقرة ، لكنها في النهاية لا تزال تتحد (تنسجم) في حل بدرجة عالية من المعقولية. على سبيل المثال ، في الدوائر المنطقية لأجهزة الكمبيوتر ، تكون جميع الجسيمات الأولية غير مستقرة ، ولكن نصف عمرها إما طويل جدًا ، أو أن عدد الجسيمات في عنصر منطقي كبير جدًا ، بحيث لا يتسبب تحلل الجسيمات الفردية عمليًا في فشل الدوائر المنطقية. مثال آخر ، في الشبكات العصبية الاصطناعية ، يكون للوصلة العصبية المنفصلة تأثير ضئيل على القرارات ، ويمكن أن تكون الاتصالات نفسها متناقضة ، ولكن في النهاية ، تنتج الشبكة العصبية قرارات صحيحة في الغالب.
دعونا نلخص. لدينا لغات أصلية مناسبة للاستدلال المعقد ومعالجة الحالة الداخلية. هناك أنظمة التعرف على الأنماط التي يمكن استخدامها كوحدات منطقية للغات الأصلية. هناك طرق تعلم نهمة ونأمل في إنشاء (تدريب) خوارزميات جديدة تلقائيًا. هناك مبدأ الحجم ، والذي ، مع فقدان الكمال والاتساق ، سيسمح لنا بالحفاظ على درجة عالية من المعقولية لقرارات الذكاء الاصطناعي الخاصة بنا.
خوارزمية الذكاء
اسمحوا لي أن أذكر بإيجاز جوهر الخوارزمية الجينية. هناك مثل هذه الطريقة - البحث العشوائي. يتم إنشاء حل عشوائي وتقييمه ثم تعديله بشكل عشوائي. إذا كانت النتيجة أفضل ، يتم تذكر القرار. ثم تتكرر الدورة. تستخدم هذه الطريقة عندما لا يكون من الواضح كيفية حساب الحل "حسب العلم". اتضح طويلا جدا. وإذا بدأت بالتوازي بعدد كبير حلول مختلفة؟ بالنسبة لأولئك الذين يتقدمون في النجاح (جودة الحلول جيدة أو تتحسن بمرور الوقت أو بالمقارنة مع "الجيران") ، نقوم بإنشاء حالات نسخ ، ونغير هذه الحالات (بشكل عشوائي) على خبيث. تلك الحلول التي تبدو سيئة على خلفية البقية ، أو لا تعمل على تحسين جودة الحل بمرور الوقت ، فنحن نخضع تلك الحالات لمزيد من التغييرات العشوائية أو حتى نحذفها ، وبدلاً من ذلك نضع عشوائيًا تم إنشاؤه حديثًا حلول. بطبيعة الحال ، من غير المرجح أن يتم نشر القرارات السيئة. هناك عملية أخرى (تُستخدم أيضًا بشكل عشوائي) ، عندما يتم قضم قطعة من حلين مختلفين ، ويتم لصق هاتين القطعتين معًا في محلول جديد. إنه يسمى كروس أوفر. كلما كان الحل أفضل ، زادت احتمالية العبور. نتيجة لذلك ، يمكن للمرء القفز للحصول على حل له أفضل نتيجةمن كلا والديه. لكن يمكن أن يحدث العكس أيضًا. إذا كان الحل أفضل ، فسوف يتكاثر في المستقبل ، وإذا كان أسوأ ، فهذا الحل ، مع من المرجح جداتم حذفه. يكون مثل هذا البحث أكثر فاعلية عندما نعرف بنية الحل ، ونطبق عمليات التغيير العشوائي (الطفرة) والعبور دون تمزيق الحل بالبتات ، ولكن مع مراعاة هذه البنية.
نظرًا لحقيقة أن الحلول لا يتم تنفيذها بالتوازي فحسب ، بل تتم مقارنتها وتبادلها باستمرار مع بعضها البعض ، فإن مثل هذا البحث يعطي قفزة رائعة في الأداء مقارنةً بالبحث العشوائي وهو قادر على طحن أصعب المهام. يبدو أن الحل العشوائي النموذجي لا يمثل أي شيء مثير للاهتمام في المتوسط ، وكفاءته منخفضة للغاية. ولكن بمجرد أن تبدأ مجموعة من الحلول في التفاعل مع بعضها البعض ، تظهر نتيجة غير نمطية (حل جيد) وتتقدم بسرعة. هذا بالمناسبة ينصح بنروز بدراسة العمليات الفوضوية في المتوسط ، لدراسة الحالات النموذجية ، مؤكداً أنه بصرف النظر عن الحالات النموذجية ، لا يمكنهم توليد أي شيء ، وهو بالطبع غير عادل. مثل هذا البحث هو توضيح لمبدأ المقياس ، وهو أحد عمليات التنسيق النموذجية.
وهذا ما يسمى بالخوارزمية الجينية ، والتي يمكنها إيجاد حلول فعالة في مجالات متنوعة ، عندما لا يعرف حتى كيفية البحث عن الحل الصحيح "حسب العلم". أو لا توجد طريقة "علمية" إطلاقاً كما في حالة برامج الكتابة الآلية. تتضح فعالية الخوارزمية الجينية بشكل أساسي من حقيقة أن الحياة على الأرض (ثم العقل) ظهرت بدقة وفقًا لمثل هذه المبادئ. إن سبب إمكانية عملية التنسيق هذه هو موضوع الأقسام التالية.
هناك مثل هذا الاتجاه في الذكاء الاصطناعي - البرمجة الجينية. كل حل ليس مجموعة من المعلمات ، ولكنه برنامج كامل مكتوب بلغة برمجة إجرائية. بكل حلقاتها ، انتقالات شرطية وحالة داخلية في المتغيرات. وعليه تكون نتيجة القرار نتيجة تنفيذ هذا البرنامج. من أجل إنشاء برنامج ، تم استخدام خوارزمية جينية ، والتي ، من خلال عدد كبير من البرامج التي تم إنشاؤها عشوائيًا ، أنشأت برنامجًا أفضل طريقةحل هذه المشكلة. في المقال الذي رأيته ، كانت المهمة هي التحكم في عجلة قيادة السيارة. أولئك. نتيجة القرار ليست الاستجابة الوحيدة للمدخلات ، ولكنها عملية ممتدة في الوقت المناسب. نجحت الخوارزمية الجينية وأنشأت برنامجًا يتحكم بشكل صحيح في عجلة القيادة. المهمة ليست بهذه التعقيد ، فهم يفعلون شيئًا مشابهًا على الشبكات العصبية (على الرغم من أنه لا تزال هناك بعض الحالات الداخلية هناك ، والقواعد الخاصة بتفاعل الحالة مع الشبكة يكتبها شخص ما). لكن من الدلالة على أن البرنامج قد تم إنشاؤه تلقائيًا ، وله حالة داخلية ودورات وفروع مختلفة.
لسوء الحظ ، لم أتابع الوضع بشأن هذا الموضوع أكثر من ذلك ، ولا يمكنني إخبارك بأي شيء آخر. أولئك الذين يرغبون يمكنهم البحث عن عبارة "البرمجة الجينية". لذلك ، نتجاوز حدود ما تمت دراسته وندخل في مجال الافتراضات. من المحتمل جدًا أن تكون بعض هذه الافتراضات معروفة بالفعل ، وأنا أخترع دراجة. لكنها لا تزال مثيرة للاهتمام. :)
دعونا نرى ما هي خصائص البرامج التي تم الحصول عليها باستخدام الخوارزمية الجينية. قد تحتوي هذه البرامج على حلقات لانهائية (أو طويلة جدًا) ، لذلك يجب أن يتجاهل تقييم الملاءمة البرامج التي تعمل لفترة طويلة جدًا دون الرجوع نتيجة مرئية. هذه الخطوة ، بشكل عام ، صحيحة ، لكنها ، لسوء الحظ ، تلقي بسلاسل منطقية طويلة مثيرة للاهتمام (كيف سيتم أخذها في الاعتبار). علاوة على ذلك ، عند عبور فروع البرنامج ، فإنها سوف تمزق بلا تفكير ، مما ينتج عنه رمز لا معنى له في كثير من الأحيان. وإذا لم تكن هذه مشكلة بالنسبة لمهمة بسيطة ، فعندئذ بالنسبة للمهام الأكثر تعقيدًا ، سيظهر عدد كبير من الحلول غير المناسبة ، لأن أصغر تغيير يمكن أن يفسد أداء البرنامج تمامًا ، وربما في النهاية ، سيكون هناك يكون قليل المعنى. أو سيحتوي البرنامج على عدد كبير من الفروع الزائدة "غير المرغوب فيها" ، والتي سيتم دمجها بطريقة لا يمكن تصورها مع بعضها البعض في الحل الصحيح. هذه "المهملات" في عملية التطور لتعلم النجاة من التغييرات ، بحيث لا يكسر التغيير البرنامج قاتلاً. لكن على أي حال ، علينا أن نقول وداعًا لفكرة السلاسل المنطقية "الرقيقة" ، والتي ستكون نفس البرامج الواضحة التي يكتبها الشخص. إن ما يحدث نتيجة للكتابة التلقائية للبرامج سيكون بعيدًا عن مثل هذه السلاسل. بالطبع ، ستظهر خوارزميات استخراج البيانات التي ستكون قادرة على تقليل هذه الكومة المتناقضة إلى خوارزمية واضحة ، ولكن هذه الخوارزمية الواضحة ، لمزيد من التحسين في الوضع التلقائي، سيكون من الضروري إعادته إلى العرض "الملطخ" (أو سيحدث التلطيخ من تلقاء نفسه ، في عملية التعلم الإضافي). وهناك شك في أن الخوارزمية التي تم سحبها بمساعدة التنقيب عن البيانات سيكون لها "نظرة" أضيق من نسختها الأصلية "الملطخة". تم وصف ظاهرة مماثلة في الأجزاء السابقة حول التعرف على الأنماط.
كما نتذكر ، تعد اللغات الأصلية أكثر مرونة للتغيرات وتتكيف مع تسجيل المعرفة البشرية ، لأنها لا تتكون من إطار جامد لبرنامج ما ، ولكن من قواعد مستقلة تعمل تلقائيًا عند حدوث موقف مناسب (ظروف). تعمل الخوارزمية الجينية بشكل أكثر كفاءة إذا أخذت العمليات في الاعتبار بنية الحل. تؤدي الكتابة في شكل إجرائي إلى قيام الخوارزمية الجينية بتمزيق البرنامج دون تفكير ، مما ينتج عنه العديد من الخيارات غير القابلة للتشغيل. لذلك ، نكتب البرنامج في شكل أصلي ، ونعدل الخوارزمية الجينية بحيث تأخذ في الاعتبار مثل هذه البنية. وبالتحديد ، ستكون برامج الحلول المختلفة قادرة على تبادل ليس أجزاء من البتات ، بل قواعد مستقلة تمامًا. ستعمل التغييرات العشوائية على مستوى القاعدة. أكثر من ذلك ، في برنامج واحد ، يمكنك الحصول على عدد مختلف من القواعد ، بغض النظر عن الترتيب. وهذه القواعد يمكن أن تكون شديدة مثل صديقمن ناحية أخرى ، ومختلفة تمامًا. يمكنك مضاعفة وتجاوز ليس فقط البرامج نفسها ، ولكن أيضًا القواعد داخل برنامج واحد. وكل ذلك لأنه عند تنفيذ البرنامج ، سيصطفون هم أنفسهم في السلسلة الصحيحة ، لأن المؤدي لا يتبع بغباء فروع البرنامج (كما هو الحال في اللغة الإجرائية) ، ولكنه يختار القواعد وفقًا للوضع الحالي (كل منها حكم يغير الوضع).
لكن الشيء الأكثر إثارة للاهتمام هو جعل بنك القواعد مشتركًا في جميع البرامج. سيكون البرنامج في هذه الحالة عبارة عن بيانات حول القواعد التي يفضلها من البنك العام ، ومن الممكن أن تكون المعلومات حول التسلسل المفضل لتطبيقها. في هذه الحالة ، يمكن تطبيق معايير الأداء ليس فقط على البرامج ولكن أيضًا على القواعد. بعد كل شيء ، تساهم كل قاعدة في العديد من البرامج المختلفة ، ويمكنك حساب عدد هذه البرامج الناجحة وعدد البرامج غير الناجحة. وعلى هذا الأساس ، استخلص استنتاجات حول فاعلية القواعد ، وبالتالي لا تطور البرامج فحسب ، بل القواعد أيضًا (أي الضرب والتقاطع وتغيير القواعد نفسها عن طريق الخطأ). تأتي مكاسب الكفاءة من حقيقة أن القواعد المماثلة لم تعد مكررة في البرامج المختلفة ، فلكل برنامج إمكانية الوصول إلى بنك أوسع من القواعد. ولكن الأهم من ذلك ، يتم تقييم القواعد بشكل مشترك ، مع الاستخدام المتقاطع في برامج مختلفة ، والتي (من المفترض) تحسن بشكل كبير من جودة التقييم وتطور القواعد.
لذلك حصلنا على أبسط نسخة من الذكاء الاصطناعي ، قابلة للتطبيق تمامًا في ألعاب مختلفة، بما في ذلك. الكمبيوتر ، في الأنظمة الخبيرة وأنظمة التحكم في العمليات. هذا مناسب أيضًا لنمذجة عمليات الصندوق الأسود مع الذاكرة الداخلية ، بدلاً من نماذج ماركوف (هذه عمليات يمكن رؤيتها عند الإدخال والإخراج ، لكن الحالة والعمليات الداخلية غير مفهومة ، الصندوق الأسود في رأينا).
قد يظهر هنا اقتراح منطقي بحيث يمكن للخوارزمية الجينية فصل أجزاء من البرنامج إلى إجراءات فرعية مستقلة ، مع مراعاة هيكلها عند تغيير البرنامج. بالنسبة للتدوين الإجرائي ، يمكن أن يؤدي ذلك إلى زيادة الكفاءة ، ولكنه لا يزال لا يلغي عيوبه المتأصلة ، لأنه سيظل بحاجة إلى تسلسل صارم من التعليمات والعبارات والحلقات الشرطية ، والتي يمكن أن يكسرها التغيير العرضي. في التدوين الأصلي ، لا توجد إجراءات على هذا النحو على الإطلاق. ولكن من ناحية أخرى ، من الممكن تقسيم الوضع العالمي إلى مجموعة من المواقف الهرمية وإلى سلسلة من المواقف ، بحيث تتعامل مجموعة القواعد الخاصة بها فقط مع كل موقف فرعي. على المدى القصير ، يجب أن يؤدي هذا التقسيم ، كما كان ، إلى زيادة كفاءة الخوارزمية الجينية. لكن الحقيقة هي أنه في العقل الحقيقي يكون تفاعل القواعد أكثر تعقيدًا ، حيث يكون هذا التقسيم مميزًا وليس مميزًا في نفس الوقت. لذلك ، من خلال فرض مثل هذا الانهيار للوضع ، يمكننا الاستفادة على المدى القصير ، لكنه سيتدخل في المستقبل. المزيد عن هذا سوف يتبع.
إصدار الذكاء الاصطناعي 2.0
في اللغات الأصلية (مثل Prolog) ، لا يوجد تسلسل للخطوات في البرنامج. لا يوجد سوى مجموعة من القواعد ، ولم يتم تحديد تسلسل تنفيذ هذه القواعد في البداية بأي شكل من الأشكال.
تبدو هكذا:
القاعدة ن: النتيجة إذا الشرط ؛
القاعدة م: النتيجة إذا الشرط ؛
وهلم جرا.
يمكن أن يكون الشرط معقدًا للغاية ، بما في ذلك التعبيرات البسيطة والقواعد الأخرى ، بما في ذلك التطبيق التكراري المتبادل. نتيجة تنفيذ القاعدة هي أيضًا حالة معقدة يمكن أن تشير إلى كل من الموقف النهائي وجزء من الشرط للتحقق من قابلية تطبيق القواعد الأخرى (وهي نفسها أيضًا). هذه النتائج واضحة لا لبس فيها.
لا يوجد موقف عالمي أثناء تنفيذ البرنامج المسند. هناك شرط أولي يبحث المترجم بموجبه عن القاعدة الأولى بشرط مناسب ، وتضاف نتيجة هذه القاعدة إلى الشرط الأولي. يتكرر البحث عن قاعدة مناسبة للشرط الجديد. والنتيجة هي سلسلة من الاستدلالات يمكن أن تؤدي إلى قاعدة تشير إلى تحقيق النتيجة النهائية. إذا استنفد المترجم جميع السلاسل المتاحة ، فسيبدأ في التراجع ، لكل حلقة تبحث عن التالية القاعدة المناسبةبناء سلاسل جديدة.
مرة أخرى ، لاحظ أن الحالة (الحالة) هي الشرط الأولي بالإضافة إلى سلسلة القواعد المطبقة. عند التراجع ، تتغير سلسلة القواعد المطبقة وفقًا لذلك.
عند ربط القواعد بالسلاسل ، قد يقع المترجم الفوري في عملية بحث لا نهاية لها ، على الرغم من أن الحل قد يكون في مكان قريب. لذلك ، إذا كان المترجم "ذكيًا" ، فيمكنه إما التعرف على أماكن التكرار المحتملة ، أو يمكن أن يقود العديد من سلاسل القرار بالتوازي ، والاختيار من بينها السلسلة التي ستؤدي إلى الموقف النهائي بشكل أسرع. من ناحية أخرى ، يجب على من يكتب مجموعة القواعد الحرص على تقليل فرصة حدوث حلقة.
على سبيل المثال ، مهمة تتعلق بالإرساليات وأكلي لحوم البشر ، عندما يجب نقل حشد من المبشرين وأكلي لحوم البشر على نفس القارب إلى الجانب الآخر. يمكن للقارب أن يستوعب شخصين فقط. إذا كان هناك عدد أكبر من أكلة لحوم البشر على الشاطئ أكثر من المبشرين ، فسيتم أكل المبشرين. عند حل المشكلة بلغة أصلية ، تتم كتابة المواقف المقبولة بحيث لا يتم أكل المبشرين (بما في ذلك بشكل متكرر) وتحركات القارب المسموح بها (يجب أن يكون هناك دائمًا شخص أو شخصان في القارب). علاوة على ذلك ، يقوم المترجم الفوري ببناء شجرة من الحلول الممكنة حتى يصل إلى موقف يكون فيه الحشد بأكمله على الجانب الآخر. تحمل سلسلة القواعد في هذه الحالة تسلسل نقل المبشرين وأكلي لحوم البشر عبر النهر.
نظرًا لأن القواعد مرتبطة بشكل واضح ببعضها البعض في عملية البحث عن حل ، في اللغات الأصلية ، تم تحديد التسلسل الهرمي وتسلسل تطبيقها بالفعل على مستوى القواعد ، وهو شيء مشابه للتجميع في إجراءات في اللغات الإجرائية. ولكن بمجرد أن نجعل السلسلة بين القواعد أقل وضوحًا ، يتم فقد هذا التجميع. وكيف سيظهر من جديد بالضبط (أو كيف نساعده في التكوين) هو سؤال جديد.
في اللغات الأصلية ، لا توجد حلقات ، ولا قفزات شرطية ، ولا تسلسل محدد من الإجراءات. المؤدي دائمًا "يعرف" ما يجب فعله ، لأنه يختار الخطوة التالية للوضع الحالي. يختار المؤدي خطوة واحدة فقط ، لأنه في الخطوة التالية سيقيم الوضع المتغير ويختار خطوة جديدة ، بغض النظر عن مدى تغير الموقف بشكل غير متوقع. سيساعد هذا أيضًا المؤدي على تخليص نفسه إذا فشل جزء من برنامجه أو اتخذ قرارًا خاطئًا. بدلاً من الوقوع بشكل كارثي في الاتجاه الخاطئ ، سيعيد المؤدي تقييم الموقف ، ومن المحتمل جدًا أن تعمل الخطوة التالية على تحسين هذا الوضع.
بالطبع ، العمليات المتضمنة أكثر جوعًا من الناحية الحسابية من الكتابة الإجرائية للبرنامج. وفي صيغتها الأصلية بلغات أصلية ، ليس كل شيء سلسًا كما هو موصوف في الفقرة السابقة.
عيب اللغات الأصلية هو أن نطاق القواعد ضيق للغاية ، وأنها تصطف في سلاسل طويلة جدًا. في الذكاء ، على العكس من ذلك ، تسود سلاسل قصيرة من الاستدلال ، حيث تقوم الوحدة المنطقية بتقييم مجموعة واسعة جدًا من شروط الإدخال ، علاوة على ذلك ، وفقًا لمعايير غامضة وغير خطية.
لذلك ، فإن الخطوة التالية في بناء الذكاء الاصطناعي هي استبدال القواعد الواضحة الضيقة بقواعد غامضة وواسعة ، وجعل سلسلة الاستدلال أقصر.
أولاً ، دعنا نجعل الحالة العالمية للبرنامج (مجموعة منتظمة من الأرقام). جزء من هذه المجموعة هو إدخال البيانات. يتم تحديثها بانتظام من الخارج. إن السماح للبرنامج بتغييرها ليس مسألة مبدأ ، الشيء الرئيسي هو أنه يتم تحديثها بانتظام. جزء من هذه المجموعة هو الحالة الداخلية للبرنامج. الباقي هو الناتج. تختلف الخلايا الداخلية والخلايا الإخراجية فقط في أن الحل يُقرأ من خلايا الإخراج. يتم استخدام كل من المدخلات والمخرجات دائمًا لكتابة / قراءة نفس المعلمة. على سبيل المثال ، الإدخال رقم 1 - السرعة ، الإدخال رقم 2 - مستشعر الوقود ، الإخراج رقم 3 - تغيير موضع عجلة القيادة ، الإخراج رقم 4 - تغيير السرعة. نقوم بتعيين أرقام بشكل تعسفي ، في عملية التعلم ، يجب أن يتعلم البرنامج نفسه فهم مكان المدخلات والمخرجات.
لأساس القاعدة ، لنأخذ ، على سبيل المثال ، منظور متعدد الطبقات (والذي يُسمى غالبًا ببساطة الشبكة العصبية). لاحظ أن خوارزمية التدريب لمثل هذه الشبكة العصبية داخل البرنامج لا تزال غير معروفة لنا. سيكون لدينا العديد من هذه الشبكات العصبية. سيشكلون معًا مجموعة من القواعد للبرنامج. تتلقى كل شبكة عصبية الحالة العالمية الكاملة للبرنامج كمدخل (عدد المدخلات يساوي عدد خلايا الحالة). الشبكة العصبية لها نواتج قليلة. يتوافق كل إخراج أيضًا مع إحدى خلايا الحالة. في كل تكرار ، يضاف ما حدث عند إخراج كل شبكة عصبية إلى الحالة العالمية (يمكن أن تكون قيم المخرجات سالبة). يتم استقصاء جميع الشبكات في وقت واحد بناءً على الحالة الحالية ، وبتأثيرها الإجمالي تخلق حالة جديدة.
يتم في البداية اختيار عدد المخرجات وربطها لكل شبكة بشكل عشوائي. نحن نبني تغييرات تطورية بطريقة تجعلها في معظم الحالات تترك التبديل بين خلايا الحالة العالمية ومدخلات / مخرجات الشبكة العصبية دون تغيير. وفقط مع وجود احتمال ضئيل للتغيير يمكن إعادة ترتيب إدخال أو إخراج الشبكة إلى خلية أخرى. هذا ضروري لأنه بينما نعتبر أن كل خلية هي معلمة معينة (حتى لو كانت داخلية) ، لذلك ، إذا قمنا بتحويل إدخال / إخراج الشبكة إلى معلمة أخرى لم تعتاد عليها ، فستكون النتيجة بالأحرى غير ناجح. لسوء الحظ ، مع هذه المناورة ، نفقد البعض مرة أخرى خصائص مثيرة للاهتمامذكاء حقيقي ، لكننا نحصل على الكفاءة الآن. سنعود إلى هذه العقارات لاحقًا.
في عملية التطور ، يمكن أيضًا تغيير عدد خلايا الحالة العالمية. ثم يتم تعديل جميع الشبكات العصبية وفقًا لذلك. إذا تم استنساخ الخلايا ، فسيتم استنساخ المدخلات والمخرجات المقابلة للشبكات العصبية. إذا تمت إزالة الخلايا ، فستتم إزالة المدخلات / المخرجات المقابلة من جميع الشبكات.
هناك أيضًا تغييرات تطورية يمكنها زيادة أو تقليل عدد مخرجات الشبكة العصبية الفردية.
كيف بالضبط سيقدم برنامج يتكون من مجموعة من هذه الشبكات العصبية حلاً؟ بتعبير أدق ، كيف ، بعد التكرار التالي ، فهم أن البرنامج قد اتخذ قراره ، وقراءة هذا القرار من خلايا الإدخال؟ هذا أيضًا سؤال مثير للاهتمام يتطلب التجريب. الاعتبارات الأولى هي على النحو التالي. تستقر قيم الخرج. أو هناك مخرجات خاصة تشير إلى أن الإجابة جاهزة. هذه المخرجات ذاتية الضبط في عملية التطور.
بعد إزالة القرارات ، يجب أن يستمر البرنامج في العمل ، والأرجح أن يبدأ من حالته الداخلية. كيف ندفعه إلى مزيد من العمل ، لأن البرنامج قد استقر في حل معين؟ أولاً ، بعد إزالة القرار ، ستتم الكتابة فوق خلايا الإدخال بالبيانات الفعلية (نفترض أنه أثناء اتخاذ الشبكة قرارًا ، لم تتغير بيانات الإدخال كثيرًا). ثانيًا ، يمكن أن يكون لديك خلية إدخال خاصة لوضع رقم كبير في بداية التكرار. علاوة على ذلك ، هناك إما لمعرفة كيفية تغيير هذا الرقم نفسه ، أو يمكنك تقليله من الخارج ، مما يتيح للشبكة معرفة أن الوقت ينفد. بشكل عام ، هناك أفكار كافية للتجارب.
الآن للحصول على شرح لماذا.
بادئ ذي بدء ، تخلينا عن بناء سلاسل من القواعد ، وأجبرنا كل قاعدة على كتابة نتيجة عملها إلى الدولة العالمية. من خلال القيام بذلك ، جعلنا من المستحيل بناء سلاسل سحب طويلة وعكس التراجع ، لكننا حصلنا على استجابة أسرع وتقييم واسع وغامض للوضع. لاحظ أن المعالجة المتوازية للعديد من الخيارات ، حيث يكون لكل خيار حالته العالمية الخاصة ، لم تختف. لكن ليس لدينا مثل هذا التفرع الواسع كما هو الحال في المترجم الأصلي الأصلي. إذا حاولنا تفريع سلاسل الاستدلال على قواعد ضبابية واسعة ، فإن عدد الخيارات سيكون كارثيًا خارج النطاق حتى في المراحل الأولى من بناء الحل.
نتيجة لذلك ، حصلنا على شيء مختلف تمامًا ، على الرغم من أنه يبدو مشابهًا للإخراج الأصلي للمسندات. لم يعد هذا الشيء قادرًا على تكوين استنتاجات معقدة وواضحة ، ولكنه من ناحية أخرى قادر على التصرف في بيئة معقدة وسريعة التغير ، علاوة على ذلك ، لديه بعض أساسيات الاستنتاج المنطقي المعقول ، وهو ما لا تستطيع النسخة الأصلية القيام به . ومع ذلك ، ستظل استنتاجات الاستنتاجات المعقدة والواضحة تعود إلينا بطريقة غير متوقعة، ولكن في الوقت الحالي ، ستكون المعلومات الاستخبارية الناتجة بدونها.
ومع ذلك ، فإن الشيء الناتج يمكن أن يحل المشاكل المنطقية (مثل لعب الشطرنج) بطريقته الخاصة ، على غرار الطريقة التي يقوم بها الشخص. يمكن أن يسمى هذا التفكير الظرفية. لا يبدأ من بناء سلاسل منطقية طويلة ، ولكن من تقييم ما هو الوضع الحالي وكيفية تغيير هذا الوضع. يتضمن الموقف كلاً من البيانات الخارجية والحالة الداخلية ، ما "فكر فيه" النظام في الوقت الحالي. التقييم واتخاذ القرار بشأن مكان المضي قدما كل واحدخطوة ، على عكس الخوارزميات الإجرائية والاستدلال ، والتي يمكن أن تختبئ في التفكير المطول بعد الخروج من الواقع. لذلك ، لن تكون التغييرات العشوائية على مثل هذا البرنامج قاتلة للأداء ، على عكس التسجيل الإجرائي. حتى لو وقع في موقف غير مفهوم ، أو أخطأ ، فلن يقع مثل هذا البرنامج في ذهول ، ولكنه سيحاول القيام بشيء ما ، لأنه ليس فرعًا صغيرًا من الخوارزمية ، بل مجموعة القواعد الكاملة ، يشارك في تقييم الوضع. وحتى إذا قام البرنامج في البداية بإلقاء الفوضى ، فسوف يقع عاجلاً أم آجلاً في وضع مألوف وسيكون قادرًا على تحويله في الاتجاه الصحيح.
يعتمد التفكير الظرفية على ثلاثة أشياء. الأول هو تعميم الموقف على حالة مألوفة (كما في أنظمة التعرف على الأنماط). على سبيل المثال ، من خلال الترتيب المتنوع للقطع على رقعة الشطرنج ، يجد نظام التفكير شيئًا مشتركًا ، ويقيم الموقف ، وما إذا كان هناك تهديد لقطعه ، وما إذا كانت هناك فرصة للهجوم دون خسارة ، ثم قد يكون هناك المزيد من التحديد مجموعات المواقف. والثاني هو التجربة (مكتبة من القواعد القصيرة والمعقولة التي يتم تطبيقها لتغيير الوضع إلى الأفضل دون استنتاج منطقي طويل). بناءً على تقييم الموقف ، يتم اقتراح بدائل لتغيير هذا الوضع ، على سبيل المثال ، بيانات تقريبية حول كيفية تحريك القطع. يقوم المحلل اللغوي بترجمة هذه البيانات التقريبية إلى الحركات الصحيحة للقطع على رقعة الشطرنج (إذا تعذر العثور على الحركات الصحيحة ، فسيتم أخذ البديل التالي). يمكن أن تحدث مواقف مماثلة (وبالتالي حلول لها) في أي مرحلة من مراحل اللعبة ، ونحصل على الفور على حل لها ، دون تعداد طويل لخيارات الحركات المختلفة. نعم ، هذه الخيارات معقولة "فقط" ، لكنها تتضمن الكثير من الخبرة من الألعاب الحقيقية وقابلة للتطبيق تمامًا على الألعاب الجديدة. علاوة على ذلك ، تتضمن هذه المواقف بعض المعرفة حول كيفية تطوير اللعبة للعديد من الحركات للأمام ، ولكن ليس على مستوى القطع المتحركة ، ولكن على مستوى تغيير الوضع التكتيكي (الذي قد يشمل دورات لا نهاية لها ، مثل الحفاظ على التوازن لتحقيق التعادل ). وإذا أدت ، مع ذلك ، إلى خسارة ، فسيتم استكمال المكتبة بقواعد جديدة ستعمل في وضعهم. ثالثًا ، هذا فحص داخلي لحل محتمل عدة خطوات للأمام (على سبيل المثال ، الخروج بشيء ما ، ثم تقدير مدى نجاح هذا الشيء في تغيير الموقف ، والحفاظ على العديد من الحلول البديلة ، ونظامنا غير قادر بعد على القيام بذلك ، إنه يعطي خيارًا واحدًا فقط ، ولكن سيكون هناك المزيد حول ذلك).
بالمناسبة ، عند دراسة الشبكات العصبية ، هل فكرت في كيفية جعلها تعمل ليس فقط بناءً على بيانات الإدخال ، ولكن أيضًا لتعليمهم استيعاب الحالة الداخلية وتنفيذ البرامج المعقدة؟ كنت مهتمًا هنا. صحيح ، منذ زمن بعيد ، لم أتوصل أبدًا إلى أي شيء ذي قيمة ، حول كيفية تدريب مثل هذه الشبكة. لكن الآن هناك إجابة مختلفة قليلاً.
لماذا صنعنا العديد من الشبكات العصبية ، بدلاً من شبكة واحدة كبيرة يمكنها تحديث الحالة بأكملها؟ الحقيقة هي أنه من أجل التشغيل الفعال للخوارزمية الجينية ، من المستحسن أن يكون لديك مجموعة من القواعد المستقلة ، كل منها سيكون مسؤولاً عن بعض الإجراءات المحددة (وإن كانت مخفية عن فهمنا). بالإضافة إلى ذلك ، يمكن تبادل هذه القواعد بين البرامج ، وجعلها في مجموعات مختلفة من البرامج ، والقواعد الفردية المعدلة والمستنسخة ، وحتى تشكيل مكتبة من القواعد الأكثر نجاحًا (أو حتى في المكتبة المستقبلية). سيكون من الصعب القيام بذلك باستخدام شبكة عصبية واحدة كبيرة. بالإضافة إلى ذلك ، بالنسبة للشبكات العصبية التقليدية ، تميل مجموعة من الشبكات إلى أداء أفضل من الشبكة العصبية التقليدية.
لأسباب مماثلة ، تحتوي كل شبكة عصبية على عدد قليل من النواتج. أولئك. كل قاعدة مؤهلة لاتخاذ قرارها الصغير الخاص بها. ولكن في نفس الوقت ، كل شبكة لديها مدخلات من الدولة بأكملها ، مع توقع وجود رؤية عالمية للوضع ، ولكن في نفس الوقت لا تستجيب لمعظم الحالات التي لا تتعلق بنطاق قاعدة معينة. يجب أن تتعلم كل شبكة هذا في عملية التطور. لذلك ، حتى عند التأثير على الحالة العالمية ، ستعمل بالضبط تلك القواعد المطبقة في الوضع الحالي. قد يكون عدد المدخلات محدودًا أيضًا ، ليس لدي أي أفكار حول هذا الأمر ، فقط تجربة ستساعد هنا.
نتيجة لذلك ، بعد التدريب ، يجب الحصول على برنامج يتكون من مجموعة من الشبكات العصبية. يبدأ البرنامج من الحالة الأولية ، حيث يتم تحديد خلايا الإدخال ، ويمكن ضبط الخلايا المتبقية على الصفر (أو لها قيم عشوائية صغيرة). في كل تكرار ، يتم تغذية الحالة العالمية بمدخلات جميع الشبكات ، ويتم حساب نتيجة تشغيل جميع الشبكات ، ويتم إضافة مخرجات جميع الشبكات على الفور إلى الحالة العالمية. التكرار التالي قادم. يمكنك أن تفهم أن الحل جاهز ، على سبيل المثال ، من خلال حقيقة أن قيم المخرجات قد استقرت ، أو وصلت إشارة إلى خرج خاص يشير إلى أن الحل جاهز. بعد ذلك ، تتم قراءة قيم المخرجات ، وتحميل قيم الإدخال الجديدة ، ويستمر البرنامج في العمل مع البيانات المحدثة.
يتم إنشاء هذا البرنامج تلقائيًا باستخدام خوارزمية جينية. الشيء الرئيسي هو أن لدينا على الأقل بعض المعايير لتقييم فعالية البرامج المستلمة (أي أن برنامج واحد أفضل من برنامج آخر) ، وهذا يكفي لكي تعمل الخوارزمية الجينية. بالنسبة لمشاكل العالم الحقيقي ، عادة ما يكون هناك مثل هذا المعيار. يمكن أن تكون أيضًا مجموعات من أمثلة العمل التي تعتبر جيدة وسيئة لمواقف مختلفة (تتعلم أنظمة التعرف على الأنماط أيضًا من الأمثلة). بعد التعلم من الأمثلة المعروفة ، سيكون البرنامج ، مثل أنظمة التعرف على الصور ، قادرًا على تعميم تجربته على أمثلة غير معروفة ، بما في ذلك يمكن أن يكون هذا التعميم ذا طبيعة نوعية ، والتقاط الأنماط المخفية في مجموعة من الأمثلة ورسم غير متوقع (ولكن صحيح) الاستنتاجات. بالنسبة للمهام التي تتطلب استنتاجًا منطقيًا دقيقًا وحلًا واضحًا ، يكون هذا أكثر صعوبة (ولكن سيكون هناك المزيد حول ذلك). قد تكون هناك أيضًا خيارات لجعل البرامج تقاتل بعضها البعض ، على سبيل المثال ، لعب الشطرنج ، والتعرف على البرنامج الذي يلعب بشكل أفضل باعتباره فعالًا ، ومن ثم لا تكون هناك حاجة إلى التقييم الخارجي.
تُنشئ الخوارزمية الجينية عشوائيًا مجموعة من القواعد (الشبكات العصبية) ومجموعة من البرامج. تقع جميع القواعد في التخزين المشترك. يتكون كل برنامج من هذه البرامج من مجموعة القواعد الخاصة به المأخوذة من مستودع مشترك. القواعد نفسها موجودة في المستودع ، والبرنامج يشير إليها فقط. لتقييم الفعالية ، يتم إطلاق جميع البرامج بالتوازي (لكل منها حالته الخاصة ومجموعة من المدخلات والمخرجات). يتم إعطاء أفضل الدرجات لتلك البرامج التي تعمل بشكل أسرع وأكثر كفاءة. تلك البرامج التي تفكر لفترة طويلة ، أو لا تتخذ قرارًا على الإطلاق ، يتم معاقبتهم.
البرامج السيئة من اكثر اعجاباتغيرت أو أزيلت تماما. في مكانها تأتي إما البرامج التي تم إنشاؤها حديثًا أو البرامج المستنسخة من البرامج الموجودة. يمكن أن يكون تقييم البرنامج تراكميًا ، أي تتراكم ، مما يمنح البرنامج بعض الوقت حتى يتطور. من المرجح أن يتم استنساخ البرامج الجيدة. هناك تطور في البرامج من السيئ إلى الجيد.
بعد الوصول إلى حل جيد بما فيه الكفاية ، يتم اختيار أفضل برنامج نتيجة لعمل الخوارزمية الجينية ، وفي المستقبل يتم استخدام هذا البرنامج لمشاكل حقيقية.
ما التغيرات التطورية التي يمكن أن تخضع لها البرامج. إضافة أو إزالة قاعدة من المستودع. عبور برنامج آخر ، أي ، يتم أخذ برنامجين ، على أساسهما يتم إنشاء برنامج ثالث ، والذي يتكون من جزء من قواعد برنامج واحد وجزء من قواعد البرنامج الثاني. يتم اختيار القواعد التي يجب إضافتها أو إزالتها أو كتابتها في البرنامج عند العبور بشكل عشوائي. على الرغم من أنك إذا فكرت في الأمر ، فقد تكون هناك طرق للقيام بذلك بشكل هادف أكثر ، ربما سيكون هناك تقييم لفعالية مشاركة القاعدة في برنامج معين.
ما هي التغييرات التطورية التي يمكن أن تخضع لها القواعد (الشبكات العصبية). كما ذكرنا سابقًا ، فإن أحد هذه التغييرات هو تغيير في عدد خلايا الحالة الداخلية ، مما يؤثر على جميع القواعد. يمكن تقدير الحاجة إلى زيادة أو تقليل عدد خلايا الحالة بشكل أو بآخر من خلال ديناميكيات البرنامج ، وكم مرة تتغير الحالات ، ومدى ارتباطها ببعضها البعض ، ومدى تأثيرها على قيم الإخراج ، ومدى كفاءة جمهور البرامج بشكل عام. التغيير التطوري التالي هو استنساخ القواعد ، وهو تغيير عشوائي في القواعد (أي "هز الأوزان" للشبكة العصبية ، كما هو الحال في التلدين ، فكلما انخفضت الكفاءة ، زادت قوة الاهتزاز). يمكن أن يؤدي الاستنساخ مع التغيير اللاحق في القواعد إلى التشبث باستنساخ البرامج. على سبيل المثال ، في البرنامج الأصلي يوجد ارتباط إلى القاعدة الأصلية ، في البرنامج المستنسخ - رابط إلى القاعدة المستنسخة. أو في البرنامج المصدر يوجد ارتباط بالإضافة إلى استنساخ القاعدة. يمكن تجاوز القواعد عندما يتم أخذ القطع من شبكتين عصبيتين ولصقها معًا في شبكة ثالثة. في القواعد (الشبكات العصبية) ، يمكن أن يتغير عدد المخرجات بشكل عشوائي ، كما هو موضح أعلاه ، يمكن أن يتغير عدد وهيكل الاتصالات الداخلية.
لكل قاعدة ، يمكنك حساب فعاليتها ، بناءً على مدى نجاح البرامج التي تتضمن هذه القاعدة. علاوة على ذلك ، من الممكن مراعاة حقيقة أنه قد يتم تضمين قاعدة في البرنامج ، ولكنها غير نشطة ، وبالتالي لا تؤثر على تشغيل البرنامج. بناءً على هذا التقييم ، يمكننا تطوير بنك القواعد بشكل مباشر ، أي لمضاعفة القواعد الناجحة في كثير من الأحيان ، وعلى الأرجح لإزالة القواعد غير الفعالة أو تغييرها. يمكننا أيضًا إنشاء برامج بناءً على القواعد الأكثر فعالية. أو في عملية التغيير من المرجح أن تدرج في البرامج أفضل القواعد. لاحظ أن البنك يخزن القواعد بنطاقات مختلفة ، ولكن ، مع ذلك ، يحل مهمة مشتركة.
لكن الشيء الأكثر إثارة للاهتمام ، يبدو أنه لكل قاعدة ، لا يمكنك حساب الكفاءة فحسب ، بل أيضًا الخطأ! على وجه التحديد ، لفهم كيفية عمل هذه القاعدة بشكل صحيح في ظل ظروف إدخال معينة. بعد كل شيء ، لدينا أمثلة على تشغيل القواعد (الشبكات العصبية) في برامج جيدة(نعتقد أن هذه كانت القرارات الصحيحة للقواعد التي يتكون منها البرنامج) وأمثلة للعمل في البرامج السيئة (نعتقد أن هذه كانت قرارات خاطئة للقواعد التي يتكون منها البرنامج). وفقًا لذلك ، يمكن للمرء محاولة تضخيم القرارات الجيدة التي تنتجها كل شبكة عصبية وتقليل القرارات السيئة. يمكن إعادة إنتاج قيم المدخلات والمخرجات دون مشاكل ، وبناءً عليها ، يمكن بناء عينة تدريب ، والتي يمكن إرسالها إلى خوارزمية نشر الخطأ. المشكلة الرئيسية هنا هي توسيع التسلسل الزمني لما كان عند مدخلات ومخرجات عينة التدريب ، وهنا يمكن أن يكون هناك غموض. بعد كل شيء ، لا يمكننا أن نفترض أن جميع الحلول (أزواج المدخلات والمخرجات) في الشبكة الصحيحة كانت صحيحة بشكل مثالي ، وفي الشبكة الخاطئة - غير صحيحة بشكل مثالي. ربما هو خطأ قاعدة مختلفة تمامًا ، والتي عند خط النهاية "قضت" على القرار الصحيح؟ إن الانخراط في الكشف عن تسلسل القرارات بأكمله هو مهمة ميؤوس منها. لذلك ، سيتعين عليك التفكير في تكوين عينة بناءً على هذه التسلسلات الزمنية. وحتى إذا قمنا ، عند تشكيل عينة التدريب ، بطرح العديد من الأمثلة ، ولم يتبق سوى الأمثلة الأكثر وضوحًا ، فستظل تقدمًا.
دعونا نرى ما لدينا الآن. والآن لدينا أداة لكتابة البرامج تلقائيًا التي يمكنها التنقل في مشاكل العالم الحقيقي ، والتصرف بمرونة في مجموعة واسعة من المواقف ، والتعافي من الأخطاء ، ولدينا نوع من المنطق الداخلي والتنبؤ / النموذج بالموقف. ما لا يمكنهم فعله هو تطوير سلاسل منطقية دقيقة ، وعمل استنتاجات طويلة. على الرغم من أنه بالنسبة للعديد من المهام ، سيكون مثل هذا الذكاء قادرًا على التظاهر بأن لديه عمليات منطقية عميقة ، على الرغم من أنه في الواقع قام فقط بتطبيق الفراغات التي تم الحصول عليها أثناء التدريب. مثل هذا الذكاء والاستقلالية لا يكفيان ، لا يزال الشخص بحاجة إلى فعل الكثير فيه. وفي الجزء المتعلق بالأجهزة ، ما حصلنا عليه لا يشبه تمامًا ما توصلت إليه الطبيعة.
الإصدار 3.0 من الذكاء الاصطناعي
الآن دعنا نضيف شيئًا يسمى محاكي البيئة. سنحتاج إلى نوعين ، أحدهما لمحاكاة البيئة الخارجية ، والثاني للتنبؤ. سيكون هناك أيضًا نوع ثالث ، لكن المزيد عن ذلك لاحقًا.
يجب أن يكون المحاكي في الوضع التنبئي قادرًا على إعطاء السلوك المتوقع للبيئة عددًا صغيرًا من الخطوات للأمام ، ومعرفة تاريخ الحالات السابقة والتأثير الحالي على البيئة من برنامج التحكم. الآن لن يعمل البرنامج على الفور على البيئة الخارجية ، ولكن أولاً على المحاكي. وعلى المحاكي ، يمكنك رؤية التوقعات ، ما إذا كانت البيئة قد تغيرت في الاتجاه الصحيح من تأثير البرنامج. لذلك ، يمكن أن يكون لديك العديد من البرامج التي تم تدريبها بطريقة مماثلة ، ولكن تختلف عن بعضها البعض. لكل منهم ، ابدأ محاكي البيئة الخاص بك في الوقت الفعلي. وفي كل خطوة للبيئة الخارجية ، أعطِ تأثير البرنامج الذي سيحصل على أفضل تقييم على المحاكي. خيار آخر هو اتخاذ القرار (وليس بالضرورة الأفضل) الذي سيتخذه فريق البرنامج "بأغلبية الأصوات" ، ثم سيتم تمييز هذا القرار من خلال الموثوقية.
يشبه المحاكي في وضع المحاكاة التنبؤ ، ولكنه يُستخدم في عملية البرامج التدريبية عندما لا توجد بيئة خارجية حقيقية. في الإصدار السابق ، أخذنا أمثلة مقطوعة جاهزة مأخوذة من البيئة الخارجية. لذلك ، بدلاً من هذه الأمثلة ، يمكنك إنشاء محاكي تم تدريبه على إعادة إنشائه مواقف نموذجيةبيئة خارجية. بعد كل شيء ، يمكن أن يكون هناك الكثير من الأمثلة ، ومن الأفضل استخدام محاكي مضغوط بدلاً من هذا الاختراق.
يمكنك وضع المحاكي في وضع التدريب على مستشعرات حقيقية وتركه لفترة طويلة. السؤال المنطقي هو لماذا لا نضع البرنامج المناسب على الفور على المستشعرات للتدريب؟ هناك العديد من الإجابات هنا. أولاً ، قد نرغب في تدريب الإصدار التالي من البرنامج ، ثم نحتاج مرة أخرى إلى تشغيل أجهزة حقيقية. ثانيًا ، على المستشعرات الحقيقية ، من المستحيل تجربة ما إذا كان البرنامج قد تعلم بشكل صحيح ، أو أن مثل هذه التجارب يمكن أن تكون باهظة الثمن ، ويمكن أن يعمل المحاكي في الوضع التنبئي.
بالإضافة إلى ذلك ، يمكن تكوين المحاكي ، أولاً ، لإصدار انحرافات عشوائية عن سلوك البيئة ، وثانيًا ، دمج تسلسلات زمنية مختلفة من سلوك البيئة. نظرًا لأن المحاكي يتم تدريبه على البيئة الخارجية ، فسيتم "اختراع" هذه المجموعات بشكل معقول. مما يوسع مجموعة الأمثلة لبرامج التدريب.
وبطبيعة الحال ، يمكن تسجيل كل ما يحدث في الوقت الفعلي مرة أخرى واستخدامه للتدريب الإضافي التلقائي للبرامج.
يمكن عمل برامج المحاكي باستخدام نفس التقنية الموضحة أعلاه.
إذا كانت البيئة الخارجية معقدة للغاية (كما في لعبة الشطرنج) ، فسيتم بناء المحاكي باستخدام تقنية قريبة جدًا من برنامج التحكم نفسه. حتى النقطة التي عند التعلم ، ستلعب البرامج مع بعضها البعض ، وسيبقى البرنامج الأقوى. يمكن تخصيص محاكي التنبؤ ليس فقط للبحث عن أفضل حركة ، ولكن أيضًا للتكيف مع أسلوب لعب الخصم. وهكذا ، عند اللعب مع إنسان ، في "دماغ" الآلة ستكون هناك معركة كاملة بين العديد من البرامج وخصومهم ، المحاكين ، قبل اتخاذ القرار النهائي.
وبالتالي ، باستخدام محاكي البيئة الخارجية ، نقوم بتحسين جودة تعلم البرنامج وجودة اتخاذ القرار في الوقت الفعلي.
هل يوجد مثل هذا التوازي في الذكاء الطبيعي ، مع اتخاذ القرار التنافسي ومحاكاة البيئة؟ أعتقد ذلك ، ولكن بالكاد في مثل هذا شكل مباشر. ما تم تشكيله في سياق التطور الطبيعي هو بالتأكيد أكثر تعقيدًا وفعالية. ولكن هنا ، من أجل البساطة وأسرع إنجاز للتأثير ، أدخلنا المنافسة والمحاكي بشكل مصطنع.
بعد تقديم محاكي البيئة والحل الجماعي التنافسي ، من الممكن تقديم خصائص جديدة لذكائنا الاصطناعي.
تجول حلول الخلفية. بعد اتخاذ القرار ، ليس من الضروري إجبار جميع البرامج على إعادة التنظيم للتفكير في الخطوة التالية. يمكنك ترك بعض البرامج (جيدة حسب بعض المعايير) لمواصلة التفكير لفترة طويلة في المواقف الماضية. قد يكون من الجيد أنهم ما زالوا يفكرون في شيء ما ، وسيصبح هذا الشيء مفيدًا إما في الوضع الحالي (حتى لو تغير) ، أو سيكون مفيدًا لمزيد من التعلم. على سبيل المثال ، يمكن للبرنامج الذي يتخلف عن الركب فك شفرة نية العدو أو إيجاد حل تكتيكي مثير للاهتمام. بعد ذلك سيكون من الممكن محاولة تحويل الوضع الحالي إلى هذا الحل (الذكاء الاصطناعي "غير رأيه") ، وإذا كانت اللعبة قد انتهت بالفعل بحلول ذلك الوقت (أو ذهبت في اتجاه آخر) ، فيمكن أن يكون الحل الذي تم العثور عليه هو تستخدم في التدريب. كيف يتم تنفيذ كلا الخيارين بالضبط هو موضوع دراسات منفصلة. في الوقت نفسه ، سيكون الذكاء الاصطناعي "متصلًا بالإنترنت" طوال الوقت ، وسيفكر ، ويحسن نفسه ، ويُجري حوارات مع نفسه ، تقريبًا مثل أي شخص.
انفجار الخيارات. يمكنك محاولة اكتشاف المواقف التي يكون فيها برنامج منفصل (أو مجموعة من البرامج) في مفترق طرق ، عندما يتم الكشف عن موقف غامض ، ويتم تقسيم هذا الموقف بالقوة إلى فروع قرار جديدة (برنامج + محاكي). مرة أخرى ، كيفية اكتشاف مثل هذه المواقف ، وكيفية تفريعها هو موضوع دراسات منفصلة ، مجال غير محروث. حتى الآن ، هذا فقط على مستوى الفكرة ، فكرة أنه في حالة الغموض ، يجب أن يكون العقل قادرًا على تفريع الخيارات. لكن التفرع ليس هو نفسه اجتياز شجرة القرار. إنه أشبه بنشر دالة الموجة ، مثل العمليات الحسابية المعقدة ، عندما تقدم العمليات ذات الغموض (وحدة تخيلية) عدة خيارات ، والتي تتفاعل فيما بعد مع بعضها البعض وفقًا لقواعد نفس الحساب. أيضًا ، يجب أن تستمر الحلول المتفرعة في الذكاء الاصطناعي في الوجود معًا ، والاستمرار في التواصل مع بعضها البعض (كيف هو بالضبط سؤال) ، وفي اللحظة المناسبةيمكن أن تتقارب الفروع في حل واحد. علاوة على ذلك ، لن يحدث التفرع بغباء ، كما في حالة تعداد الخيارات ، ولكن على وجه التحديد في تلك اللحظات التي يكون فيها أكثر إثارة للاهتمام.
كيف بالضبط يمكن الكشف عن نقطة فرع محتملة؟ بالنسبة للشبكات العصبية العادية ، هناك خوارزميات تزيد من قدرة الشبكة العصبية إذا لم تكن كافية لمعالجة البيانات ، وتقلل من قدرة الشبكة إذا كانت مفرطة في اتخاذ القرار. تغيير السعة في الشبكة العصبية هو إضافة وإزالة روابط الأوزان بين الخلايا العصبية والخلايا العصبية نفسها (اقرأ إضافة / حذف الصفوف في مصفوفة غير خطية وتصفية العناصر التي لا تؤثر على الحل). هناك اتجاه كامل حول الأشجار العصبية التي تنمو حسب الحاجة. لذلك في فريق من البرامج ، يمكنك التحقق مما "تفكر" فيه البرامج المختلفة وتقليل المواقف المتشابهة ومحاولة إنشاء اتجاهات جديدة "للفكر". في تقييم هذا ، أولاً وقبل كل شيء ، ستساعدنا المحاكيات ، نحتاج إلى النظر في مدى تشابهها في تقديم رؤية للبيئة الخارجية.
يمكنك أيضًا التحقق من البرامج الفردية لمعرفة مدى تقديم حل لا لبس فيه. إذا كان البرنامج يتجول بين عدة حلول ، أو لا يتقارب إلى حل ، فيمكنك إلقاء برامج إضافية على هذا الموقف ، يتم تهيئتها بنفس الموقف ، ولكن مع انحرافات عشوائية ، من أجل تحفيز "مسار الأفكار البديلة". يمكن أن يكون التفريع مفيدًا أيضًا في التدريب ، عندما يكون من الممكن تحديد مدى غموض البرنامج في الحل ، وتقسيم الحالات الغامضة إلى عدة برامج أكثر وضوحًا بحيث تعمل بشكل أكثر نجاحًا معًا في فريق. لكن مرة أخرى ، كل هذه مجرد أفكار جميلة ، أفكار للتجارب.
سوف يحلمون
إنه لأمر جيد عندما يكون لدينا أمثلة على السلوك الصحيح ، أو يمكننا محاكاة رد فعل البيئة. بالنسبة للذكاء الطبيعي (ومستقبل الذكاء الاصطناعي) ، لا يتوفر هذا الفخامة دائمًا. يحاول العقل فعل شيء ما مع البيئة ، شيء يخرج منها بشكل صحيح ، شيء ما لا ، يبقى شيء له عواقب غير مفهومة. كيف يمكنك التعلم من هذا؟
للقيام بذلك ، نقدم النوع الثالث من محاكي البيئة. وسيتذكر مظاهر البيئة الخارجية ، وما فعله الذكاء الاصطناعي استجابة لهذه المظاهر ، وما أدى إليه. هذا لا يستبعد احتمال أنه ، مع اكتساب الخبرة ، سيكون مثل هذا المحاكي قادرًا على الجمع بين الصنفين السابقين - المحاكاة والتنبؤ بالبيئة ، وسيتم بناؤه على مبادئ مشابهة لذكائنا الاصطناعي.
كيف تتعلم عندما لا توجد معلومات واضحة حول ما هي الإجراءات الصحيحة وما هو غير الصحيح؟ استطرادية صغيرة. يتم تدريب شبكات Hopfield على الأمثلة من خلال "تلخيص" جميع الأمثلة ، بدون تقييم نقدي ، بدون تصحيح الخطأ. يمكن لشبكة Hopfield المدربة على صورة جزئية أو صاخبة في عملية التكرار (التقارب مع الحد الأدنى من الطاقة لهذه الصورة) إعادة إنشاء الصورة الأصلية. لذلك ، بعد التدريب في الشبكة ، يتم أحيانًا الحصول على صور خاطئة. من أجل القضاء على الصور الخاطئة ، يتم إطلاق أمثلة تدريبية عند الإدخال ، وإذا تقاربت الشبكة إلى صورة خاطئة ، فسيتم استبدال هذه الصورة. بطريقة ما ، "أحلام" الشبكة بناءً على معلومات تم تلقيها مسبقًا ، وفي الحلم ، يتم استبدال المعلومات الخاطئة بالمعلومات الصحيحة. تستخدم شبكات Hopfield ل صور بسيطةولكننا مهتمون بالمبدأ.
يمكننا أن نسير بنفس الطريقة هنا. بعد تراكم المعلومات من البيئة الخارجية ، يتم إيقاف العقل من البيئة الخارجية ويعمل فقط مع المحاكي. يعيد المحاكي إنتاج المواقف ، وإذا أعطى العقل حلاً جيدًا ، فسيتم تعزيز هذا الحل ، وإذا كان سيئًا ، فسيتم استبدال هذا الحل بشيء آخر. للعشوائية ، على سبيل المثال. الشيء الرئيسي هو أن الحل الجديد لا يبدو سيئًا. في الوقت نفسه ، نبني التغييرات بطريقة لا تضيع الحلول الجيدة المتراكمة ولا تظهر الحلول السيئة الجديدة.
كحد أدنى ، يمكن إجراء إعادة الترتيب باستخدام خوارزمية جينية. من الممكن أيضًا أن يكون التقييم الشامل لكل قاعدة يتكون منها البرنامج ممكنًا أيضًا ، بحيث يكون من الممكن حساب الخطأ والتصحيح بدقة لكل قاعدة. بعد كل شيء ، لدينا بعض المعلومات حول ما إذا كان البرنامج يعمل بشكل جيد أو سيئ. يكون الأمر أكثر صعوبة هنا بمعنى أنه إذا تم اتخاذ القرار من قبل فريق البرامج ، فإن المعلومات المتعلقة بصحة القرار معروفة فقط للبرنامج الفائز. لكن من ناحية أخرى ، لدينا معلومات حول سلوك البرامج ، وهو وقت طويل ، ومن الممكن بالفعل استخراج التفاصيل منه.
لذلك يتبين أنه إذا تم وضع الذكاء الاصطناعي في ظروف طبيعية ، فستظهر مراحل طويلة من اليقظة ، يتم خلالها تجميع المعلومات من خلال التجربة والخطأ ، وبعدها مراحل النوم ، والتي يتم خلالها هضم هذه المعلومات نوعياً. هذه العملية نفسها ستكون طويلة ومضنية. في الذكاء الطبيعي ، مثل هذه الآلية ، التي ظهرت مرة واحدة في عملية التطور ، سرعان ما أظهرت فائدتها وتضاعفت للأجيال اللاحقة. الشيء ، كما كان ، ليس معقدًا جدًا لكي يظهر أثناء التطور.
سوف يشعرون بالألم
خيار تدريب آخر هو عندما لا تتوفر معلومات حول صحة الإجراءات. اسمحوا لي أن أذكرك أنه عند التعلم بطريقة التلدين ، يتم استخدام تغييرات عشوائية في المعلمات خلال الحل بأكمله لإعادة بناء الحل. تبدأ قوة هذه التغييرات (درجة الحرارة) عالية ، وتنخفض تدريجياً مع تقارب المحلول الخيار الأفضل. إذا كانت التغييرات لا تناسبنا ، تزداد قوة التغييرات (درجة حرارة التلدين) بحثًا عن خيار أكثر ملاءمة.
لذلك ، في عملية التطور ، تم تطوير آلية الألم. فعل خاطئ - ونشعر على الفور كيف يلتهم اللهب القاسي اتصالاتنا العصبية. مثل هذه الصدمة لا تمر مرور الكرام. يتم حرق عواقب الفعل الخاطئ حرفيا في اتصالاتنا العصبية. لدرجة أننا نتجنب بكل الوسائل تكرار هذه الأفعال الخاطئة. الآلية بسيطة لكنها فعالة.
في الذكاء الاصطناعي ، يمكن استكمال التعلم بمعدل أعلى من التغيير العشوائي ، ومعدل أعلى من التغيير الموجه نحو الهدف إذا كان الذكاء ينتج قرارات سيئة. يمكن تطبيق هذه الإضافات على مستوى فريق البرامج وعلى مستوى البرامج أو القواعد الفردية. يمكن حرق القواعد أو البرامج "السيئة" فعليًا نتيجة أفعال غير صحيحة ، في نفس الوقت قواعد جيدةوسيتم الحفاظ على البرنامج ومضاعفته ، لكنهم سيكونون "خائفين" من الأفعال الخاطئة مثل النار.
على مستوى أعلى من الذكاء ، سيظهر "الألم" أيضًا من منظور حقيقة أن "الرأس ينفصل عن الأفكار" ، "من المستحيل تجميع الأفكار" ، إلخ. حالة القرار الصائب ستكون مصحوبة بوضوح الفكر والوئام و "راحة البال".
مجموعات القواعد
تخيل أنه في عملية التعلم التطوري ، يتم استنساخ جزء من القواعد بحيث تظل مترابطة مع المثيل الأصل. على سبيل المثال ، تظل متصلة بنفس المدخلات والمخرجات ، حيث يتم تنشيطها في وقت واحد تقريبًا. في الوقت نفسه ، لا تزال القواعد مختلفة عن بعضها البعض ، ويمكن أن يسير تطورها الإضافي بطرق مختلفة. الآن سوف نتأكد من أن هذا الجزء من القواعد يظل مترابطًا في الغالب أثناء التغييرات ، أي بحيث تكون المخرجات والمخرجات والتفعيل والحلول الصادرة هي نفسها إلى حد كبير. في هذه الحالة ، يمكن لقواعد المجموعة المشاركة في أماكن أخرى ، بما في ذلك المجموعات الأخرى.
اتضح أن المجموعة تتخذ القرارات بشكل مشترك مع جميع قواعدها. بسبب العمل الجماعي ، سيصبح الحل أفضل (على الأقل ، هذا ما يتحول إلى الشبكات العصبية التقليدية). ولكن في الوقت نفسه ، سيكون للمجموعة أيضًا بعض التمثيل الجديد والمختلف نوعياً للوضع ، وستكون قادرة على التصرف بعيدًا عن الموقف الأولي ، نظرًا لحقيقة أن القواعد من المجموعة تشارك في أماكن أخرى (ومجموعات) من البرنامج (وهذا بالفعل افتراض يتعلق بالفرق المشاركة في البرنامج). يمكن القول أن رؤية الوضع ستكون على مستوى عالٍ وأكثر عمومية وتوسيعًا وإثراءً بتجربة المواقف الأخرى. وبالتالي ، في المواقف الحدودية أو الجديدة ، ستكون المجموعة قادرة على التوليد (قد يقول المرء حتى تخيل) حقيقة جديدة، استمرارًا في المعنى القديم ، الذي رآه أثناء التدريب.
هنا أشياء مثل فئات التجريد ، يبدأ التفكير الترابطي في الظهور ببطء. تبدأ السلاسل المنطقية "الثقيلة" في الظهور ، والتي يمكن أن تنتج سلاسل منطقية "رفيعة" قريبة من المنطق الرسمي والخوارزميات الصارمة ، وذلك نظرًا لترتيب الرؤية الأعلى للموقف.
عند مواجهة مواقف جديدة ، سيكون البرنامج ، الذي يحتوي على مثل هذه المجموعات في المخزون ، أسهل بكثير لنقل وتعميم تجربته في المواقف الجديدة.
كل هذا لا يزال افتراضات جميلة ، لكن من الواضح أن الأمور تسير في هذا الاتجاه. لا يزال من غير الواضح كيف تم تشكيل مثل هذه المجموعات والحفاظ عليها في الدماغ (لكن يجب أن تعترف أن الأمر يبدو بسيطًا جدًا من الناحية التطورية). كيف يمكن دعم وقيادة الفرق في البرنامج هو أيضا سؤال. على ما يبدو ، لا يوجد تثبيت واضح لقواعد المجموعات ، كل شيء يتم تحديده ديناميكيًا ، من خلال الجمع بين القواعد المتوافقة مع موقف معين ، كل ذلك وفقًا لنفس مبادئ المنافسة والتفاعل. في الوقت نفسه ، يمكن أيضًا أن تصطف القواعد والمجموعات ديناميكيًا في التسلسل الهرمي ، ومع ذلك ، لن يكون هناك تسلسل هرمي دائم ، ولن يكون هناك مستويات فوقية وانتقالات بينها ، ولن يكون هناك صياغة واضحة مع تخصيص اتصالات النظام الفرعي. ستتم متابعة المزيد من التفاصيل حول كيفية تشكيل هذا. ويجب أن تعترف ، من وجهة نظر المسار الطبيعي للأشياء ، أن كل شيء يبدو بسيطًا للغاية.
ومرة أخرى موجات وترددات وصور ثلاثية الأبعاد
في برنامج الذكاء الاصطناعي لدينا ، يتم وضع التقسيم إلى برامج متنافسة ورؤية بديلة للوضع بشكل مصطنع. وبنفس الطريقة ، يتم تقديم حالة عالمية بشكل مصطنع ، والتي يمكن لجميع القواعد الوصول إليها ومولد ساعة ، والذي يقوم في كل لحظة جديدة بتنشيط جميع القواعد وتحديث الموقف. لكن لا يوجد شيء من هذا القبيل في الدماغ ، ومع ذلك ، هناك شيء مشابه جدًا يتشكل بشكل طبيعي هناك.
ما لدينا هو خاصية الخلايا العصبية الطبيعية لتراكم الإمكانات ، وعندما يتم تجاوز العتبة الحرجة ، لتفريغ سلسلة من الإشارات من خلال مخرجاتها (تذكر حول الشبكات العصبية الترددية في الأجزاء السابقة؟). هذه السلسلة بدورها ترفع (أو تخفض) في كل مرة إمكانات الخلايا العصبية المتصلة بمدخلات الخلية العصبية الأصلية. إمكانات العتبة وتكرار ومدة التفريغ هي معلمات يتم ضبطها على ما يبدو في عملية التعلم.
لذلك اتضح أنه لا توجد حاجة إلى مولد ساعة ، ولا حلقات وتحولات مشروطة ، ولا حالة عالمية وموازاة قسرية للوضع.
تحمل مجموعات هذه الخلايا العصبية بالفعل حالة داخلية ومنطقًا تكراريًا معقدًا ومعالجة شرطية.
علاوة على ذلك ، يمكن دمج حزم الخلايا العصبية في سلاسل بديلة (متوازية) ، لكل منها رؤيتها الخاصة للموقف ، وعند المخرجات ، تتنافس كل هذه السلاسل مع بعضها البعض والتي سيتم تقديم قرارها إلى الإخراج. وهذه المعالجة قابلة تمامًا للنمذجة على أجهزة الكمبيوتر التقليدية. شيء آخر هو أنه من المحتمل في البداية أن يكون أكثر جوعًا للموارد من نموذج استخبارات الموازنة الإجبارية ، ولكن على المدى الطويل ، من المرجح أن يكون النموذج الأقل تنظيمًا أكثر كفاءة.
الآن دعنا نتحدث عن المجموعات والمجموعات الفوقية. اتضح أن جبهات الموجة بأكملها تتجول عبر مجموعات منفصلة ، والتي ، عند دمجها في مجموعات مختلفة ، تعطي أنماط موجية معقدة ، وربما أكثر تعقيدًا من الصور الثلاثية الأبعاد. هذه الأنماط الموجية هي التي تربط ديناميكيًا الخلايا العصبية الفردية (أو قواعد الشبكة في ذكاءنا الاصطناعي) في مجموعات ومجموعات ميتا.
شاهد كيف جاء كل ذلك بشكل طبيعي ، لكن عملي. لا داعي لابتكار أي شبكات تردد وشبكات ثلاثية الأبعاد بشكل منفصل ، ولا داعي لتعذيبها وإجبارها على التعرف على الصور. يكفي لتطبيق فعال و دورة طبيعهالأشياء ، كيف تتجلى كل هذه الخصائص الهولوجرافية الترددية كأثر جانبي.
بمجرد دخول الدماغ ، ينقسم الموقف الأولي إلى العديد من السلاسل البديلة ، مما يتسبب في عواصف كاملة من موجات التغيرات في الإمكانات العصبية ، ونتيجة لذلك ، يحصل على تمثيل نوعي أكثر تعقيدًا. عند الإخراج ، تنهار كل هذه المعالجة مرة أخرى في حدود ضيقة يجب إصدارها أثناء العالم الخارجي.
الجمعيات والفئات والتعميمات والفلسفات الأخرى
في القسم الخاص بالمجموعات ، ذكرنا أنه سيكون من الجيد أن تشارك القواعد في أماكن مختلفة من البرنامج ، ولهذا السبب تتعلم القواعد التعميم النوعي للخبرة من المواقف غير المتجانسة تمامًا. وبالتحديد ، سيكونون في طريق التجريدات عالية المستوى مثل التفكير النقابي والتصنيف. على سبيل المثال ، سيكونون قادرين على أخذ شيء مشترك من مفهومي "الأبيض" و "الرقيق" وتطبيقه في حالة "الطيران". ستجعل مثل هذه المعالجة التفكير أكثر قوة وستسمح ببناء مجموعات من القواعد بشكل ديناميكي لمواقف غير متجانسة تمامًا.
للحصول على هذه الخصائص ، أدخلنا المجموعات وصيانتها بشكل مصطنع. ما هي الطرق الأخرى التي يمكنك من خلالها الحصول على الخصائص التي تسمح للقاعدة ، والتدريب على موقف واحد (مفاهيم) ، بالمشاركة وإعادة التعلم في مواقف مختلفة تمامًا (لمفاهيم أخرى ، كما في المثال حول الأبيض / الرقيق / الذباب)؟
حتى الآن ، هناك خياران.
الخيار الأول ، مزيج ديناميكي من المدخلات والمخرجات. تذكر ، في البداية وضعنا مراسلات صارمة بين مدخلات ومخرجات القواعد (الشبكات العصبية) مع خلايا الدولة العالمية؟ تم إعداد التغييرات التطورية لتغيير هذه المراسلات بأقل قدر ممكن. في الخيار التالي ، بدون الحالة العالمية والمدخلات والمخرجات قواعد مختلفة- ترتبط الشبكات ببعضها البعض بشكل صارم.
الآن دعنا نسمح للمدخلات والمخرجات بتغيير الموضع بالنسبة لبعضها البعض أثناء العمل وفي عملية التعلم. هناك نوعان من الأسئلة. أولاً ، كيفية تحديد مدى توافق عناصر التركيبة الناتجة ، ما مدى فعالية هذا المركب في حل المشكلة؟ ثانيًا ، كيف يمكن العثور بسرعة على مجموعات متوافقة / فعالة من المدخلات والمخرجات ، لأن هناك الكثير من التركيبات؟
أبسط خيار هو مطابقة كل مدخلات ومخرجات للقاعدة بتوافق إشارة يتغير تطوريًا ، وربما توجد طريقة لضبط هذا التوافق بدقة أكبر ، في عملية التعلم ، بناءً على نتائج القواعد. (هل يمكن حساب توافق المخرجات أثناء تشغيل القاعدة؟ هل سيكون ذلك فعالاً؟) بالنسبة لمدخلات ومخرجات البيئة الخارجية ، نحتاج أيضًا إلى مجموعة من التوافق التي ستكون جزءًا من المجموعة الشاملة. عند تشغيل البرنامج ، سيتم ربط القواعد فقط مع مراعاة توافق المدخلات والمخرجات. مهمة اختيار هذا التوافق ليست سهلة من حيث الحساب ، لكنها لا تزال غير صعبة تمامًا. ربما تساعد خوارزميات شبكات Hopfield ، التي يمكنها القيام بأشياء مماثلة ، في هذا الاختيار.
الخيار التالي هو الجمع بين مدخلات ومخرجات القواعد المختلفة بطرق مختلفة أثناء عملية التعلم وتجميع المعلومات حول فعالية (توافق) التوليفات المختلفة. في العمل الحقيقي ، تابع على النحو الوارد أعلاه - اجمع بين المدخلات وفقًا للتوافق.
الخيارات السابقة مناسبة لتطبيق الذكاء الاصطناعي ، لكن يبدو أن مثل هذا المزيج من المدخلات والمخرجات في الذكاء الطبيعي غير موجود. لكن هناك خرائط ميزات ، انظر حول الشبكات التلافيفية و neocognitron في الأجزاء السابقة. ويبدو أن مثل هذه الخرائط موجودة في الذكاء الطبيعي.
معنى خرائط الميزات هو هذا. هناك مجموعة من القواعد ، وهناك مجموعة من خلايا الإدخال. تقوم كل قاعدة بمسح خلايا الإدخال باستخدام نافذة متحركة ، وتقع جميع الخلايا من النافذة في إدخال القاعدة. تتم كتابة نتيجة عملية القاعدة في خلية خريطة المعالم المقابلة لموضع النافذة في خلايا الإدخال. نتيجة لذلك ، بالنسبة لكل قاعدة ، سيتم الحصول على خريطة المعالم ، حيث يكون لأماكن أفضل تشغيل للقاعدة أعلى القيم. في الطبقة التالية ، تشكل جميع خرائط المعالم المدخلات لمجموعة جديدة من القواعد ، والتي تشكل خرائط معالمها مرة أخرى. يمكن تعلم القواعد عن طريق نشر الخطأ للخلف. كيفية تدريس مثل هذه القواعد كجزء من البرنامج هو سؤال مفتوح.
تؤدي خرائط الميزات أداءً جيدًا في التعرف على الصور والتشوهات المرتبطة بالتغييرات في المقياس والزاوية والدوران والتشوهات الخاصة بالكائن المصور.
لذلك ، تعد خرائط الميزات مرشحًا جيدًا للتجارب على التركيبة الديناميكية للمدخلات والمخرجات للقواعد التي يتكون منها البرنامج.
الخيار الثاني ، مجموعة التردد للمدخلات والمخرجات. في هذا المتغير ، ليس من الضروري إعادة ترتيب المدخلات والمخرجات. في الشبكات العصبية الترددية (أو في البرامج المبنية على مثل هذه الشبكات) ، يكون كل خلية عصبية عبارة عن مرشح تردد بسيط ومولد تردد بسيط. علاوة على ذلك ، يمكن ضبط هذا المرشح على التوافقيات المختلفة في نفس الوقت (نظرًا لأن سعة وقدرات شبكات التردد أعلى من تلك الموجودة في الشبكات التقليدية). وبالمثل ، فإن أي مجموعة من الخلايا العصبية عبارة عن مرشح تردد معقد ومولد تردد معقد. (في ذكاءنا الاصطناعي ، مثل هذه الخلية العصبية تعادل قاعدة واحدة ممثلة بشبكة عصبية صغيرة).
لذلك ، يمكن للإشارات المتعلقة بكيانات غير متجانسة تمامًا أن تتجول عبر نفس الخلايا العصبية بترددات مختلفة. ولكن نظرًا لأن الترددات المختلفة تؤثر على نفس الخلايا العصبية (مجموعات من الخلايا العصبية) ، فإن الترددات المختلفة (والكيانات التي تعالجها) تؤثر على بعضها البعض. لذلك ، إذا كان ذكائنا مبنيًا على مبادئ معالجة إشارات التردد (كما هو مذكور أعلاه في القسم الخاص بالترددات) ، فإن هذا الذكاء يبدو أن لديه بالفعل القدرة على تعميم الكيانات غير المتجانسة وبعض التجريد الفلسفي. على الرغم من أنه قد تكون هناك حلول تقنية إضافية من شأنها تسريع تشكيل مثل هذه التعميمات في شبكات التردد.
وقليلا في الختام. مثل هذه الطرق لإعادة دمج المدخلات والمخرجات لا تعطي فقط خصائص عالية المستوى ، مثل التفكير الترابطي والتعميمات النوعية ، ولكن أيضًا خصائص أكثر واقعية. ماذا يحدث إذا اختلطت الأسلاك في الدائرة الكهربائية؟ على الأرجح ، سيكون هذا قاتلاً للدائرة. لكن بالنسبة للدماغ ليس ضروريا. أجريت التجارب (على الحيوانات) ، عندما تم تقطيع الدماغ إلى قطع وخلطه ، وبعد ذلك يتم ثنيه للخلف وتحرير الحيوان. بعد مرور بعض الوقت ، عاد الحيوان إلى طبيعته وعاش. خاصية مفيدة، حقيقة؟
لا توجد مستويات وصفية
بمجرد أن حيرة حول كيفية بناء التسلسل الهرمي المنطقي في الأنظمة الذكية ، كيف تحدث الإنشاءات المنطقية عندما يتم بناء آخر فوق مستوى واحد واضح وضوح الشمس ، مع تعميم عدة مستويات أدنى في نفسه. في الأعمال المتعلقة بالذكاء الاصطناعي (وليس فقط) تم رسم كيفية تطور الأنظمة ، وتراكم التعقيد في حد ذاتها ، والانتقال من مستوى إلى آخر.
في الأنظمة الحقيقية ، اتضح دائمًا أنه بغض النظر عن مدى جودة التفكير في المستويات الأدنى ، فإنها دائمًا ما تتراكم بعض التناقضات ، والتغييرات التي لا يمكن تنسيقها مع المستويات العليا ، وهذه التغييرات عاجلاً أم آجلاً تعطل النظام بأكمله ، مما يتطلب تخصصًا رئيسيًا إعادة هيكلة التسلسل الهرمي بأكمله. كان المخرج هو هذا - عدم الارتباط بقوة بمثل هذه التسلسلات الهرمية ، وترك حرية التصرف بحيث يكون من الممكن ، إذا لزم الأمر ، الالتفاف حول التسلسل الهرمي الرسمي. وهذه ليست علامة على سوء تصميم النظام ، فهذه هي حقائق الحياة.
بالطبع ، النظام الصحيح يقلل من الفوضى ، هذا هو الغرض من النظام. لكن هذا لا يعني أن العلاقات غير الرسمية غائبة تمامًا في مثل هذا النظام. يجب أن يحمل النظام الجيد ، بكل صحته ، عنصر تدميره. عنصر يدخل حيز التنفيذ عندما يتعذر على النظام التعامل مع مهامه ، وهو عنصر يعيد بناء النظام بالكامل إلى حقائق جديدة.
لذلك في الذكاء الاصطناعي ، يبدو أنه لا يوجد مكان لأي مستويات منطقية وانتقالات فوقية (خاصة في ضوء القسم السابق حول الارتباطات والتعميمات). جميع القواعد (وهي خلايا عصبية في فهمنا) تشارك في نفس الوقت في صنع القرار على أي مستوى. يمكن للخلايا العصبية القواعد أن تصطف ديناميكيًا في مجموعات مختلفة ، في تسلسلات هرمية مختلفة. ولكن حتى مع مثل هذه المحاذاة الديناميكية ، لن يكون لديهم صرامة هرمية ، يمكن لعنصر من المستوى الأدنى أن يؤثر بسهولة على المستوى العلوي ، لدرجة أنه يعيد بنائه بالكامل.
في كل حالة محددة لتطبيق القواعد ، يمكنك بناء التسلسل الهرمي الخاص بك. لكن هذا التسلسل الهرمي ليس ثابتًا ، كما يحدث مع الأشكال المختلفة. في الذكاء ، كل شيء يعتمد على الجانب الذي يجب سحبه ، وفي أي زاوية يجب النظر. كل ركن له تسلسل هرمي خاص به ، ويمكن أن يكون هناك الكثير من "وجهات النظر" هذه. داخل العقل ، على ما يبدو ، لا يوجد تسلسل هرمي واضح (لا يعني ذلك مستوى "الأجهزة" الذي يحدد أي جزء من الدماغ مسؤول عن أي أعضاء).
علم الوراثة الكمومية
يتم إخبار الكثير من الأشياء المثيرة للاهتمام حول الحوسبة الكمومية وخصائص الذكاء الكمومية. يعتقد البعض أن الدماغ يمكن أن "يسحب" العمليات الكمومية مباشرة من أجل التفكير.
باختصار ، جوهر الحوسبة الكمومية هو كما يلي. يتم تطبيق البيانات الأولية على عدد صغير من الجسيمات الأولية. في عملية الحل ، تبدأ معالجة البيانات في وقت واحد من قبل عدد كبير من طرق مختلفةعلاوة على ذلك ، تتواصل هذه الأساليب مع بعضها البعض ، ومعرفة من لديه حل أفضل ، ومن لديه حل أسوأ ، والقرارات السيئة تضعف ، والقرارات الجيدة أقوى.
يحدث هذا بسبب حقيقة أنه عند بدء الحوسبة الكمومية ، فإن كل جسيم "يشعر" تمامًا بحالة جميع الجسيمات الأخرى المشاركة في الحساب ، ويشعر به على الفور ، وبدون تكاليف طاقة كبيرة. عند تشغيل المحلول ، تنغمس الجسيمات في حالة "ملطخة" ("متشابكة") لا يمكن استكشافها من العالم الخارجي. في حالة التلطيخ ، لا يمتلك كل جسيم حالة فيزيائية واضحة ، كل جسيم يكون في نفس الوقت في عدة حالات ويمكن أن يشارك في العديد من العمليات المتوازية (وهذه العمليات "تشعر" ببعضها البعض). علاوة على ذلك ، كلما زاد عدد الجسيمات المتضمنة في المحلول ، زادت حالات نفس الجسيم في وقت واحد.
إذا حاولنا الدخول في الحالة الملطخة ورؤية ما بداخلها ، فسنحصل في كل لحظة محددة على حالات فيزيائية معينة للجسيمات ، دون أي إشارة إلى العديد من الحالات المتزامنة. علاوة على ذلك ، بعد مثل هذا التدخل ، سيتم تدمير عملية القرار بالكامل ، ولا يمكن استعادة الحالة المتعددة. لذلك ، فإن ما يحدث في الفترة الفاصلة بين ضبط بيانات الإدخال وإزالة نتيجة الحل يعد لغزًا. اتضح أن كمية صغيرة من بيانات الإدخال في عملية الحل تولد العديد من الطلبات من حيث الحجم حالة داخلية أكثر تعقيدًا ، وهي غير واضحة كيف تتطور ، ولا تصلح للبحث ، ومع ذلك ، تعطي الحل الصحيح. الحالة التي يتم اتخاذها عند محاولة دراسة الحالة الملطخة ذات طبيعة احتمالية. مع التجميع الصحيح للخوارزمية الكمومية ، من الممكن إجراؤها بحيث يكون احتمال إزالة الحل الصحيح أعلى بكثير من احتمال إزالة الحل الخطأ (أي يجب إزالة الحل عدة مرات على الأقل).
يبدو أنه بهذه الطريقة يمكنك الحصول على قوة حوسبة ضخمة مجانًا تقريبًا. لكن هناك مشكلة - يجب عزل جزيئات الحل تمامًا عن العالم الخارجي ، وإلا فإن العالم الخارجي سيقضي على صحة الحل (كسر التماسك). هناك رأي مفاده أن العزلة الكاملة مستحيلة ، لأنه (كما تقول فيزياء الكم) كل جسيم ، كل كم ، يتم تلطيخه مبدئيًا في جميع أنحاء الكون ويتشابك بشكل وثيق مع كل جسيم آخر يتكون من كوننا. ونتيجة لهذا الرأي ، اتضح أن الحوسبة الكمومية لا تغمر الجسيمات في حالة منتشرة على أكوان بديلة ، ولكنها تجذب جسيمات أخرى محددة تمامًا من كوننا لموازنة الحسابات. صحيح أن هذا لا يزال لا يزيل الصعوبات في دراسة الحالة الداخلية.
العديد من الاستنتاجات المثيرة للاهتمام تتبع من هذا. لن تتمكن الحوسبة الكمومية بقوة عالية من تزويدنا بحسابات صحيحة تمامًا ، ولكنها مناسبة تمامًا للحلول المعقولة ، على سبيل المثال ، في الذكاء الاصطناعي ، كما هو موضح أعلاه. وهناك استنتاج آخر يتقاطع بشكل وثيق مع الاستنتاج السابق - لا يمكن للحوسبة الكمومية أن توفر المعرفة الذاتية ، والتأمل الذاتي ، لأنها جزء لا يتجزأ من الكون ، وبالتالي لا يمكنها معرفة نفسها والكون ككل ، لأنها جزء لا يتجزأ منه. لماذا ، في الواقع ، يتبع عدم اليقين الكمي عند محاولة قياس حالات الجسيمات الكمومية ، كما أشرنا في الأجزاء السابقة. بعد كل شيء ، من المستحيل أن يعرف المرء نفسه تمامًا فقط بمساعدة نفسه. عدم اليقين الكمي هو ، في الواقع ، نتيجة مباشرة لنظرية جوديل ، التي تنص على أن النظام الرسمي لا يمكن أن يعرف نفسه بدقة حقيقية مطلقة.
الآن نعود إلى الذكاء. لاحظ العديد من الباحثين بشكل صحيح أوجه التشابه بين خصائص الحوسبة الكمومية والعمليات الفكرية لدى البشر. الخصائص الأكثر إثارة للاهتمام بالنسبة لنا هي كما يلي. مدخلات ومخرجات القرارات عبارة عن مجموعة بسيطة إلى حد ما من الحالات. هذه الحالات البسيطة تغرق الدماغ في حالة أكثر تعقيدًا لا يمكن استكشافها من الخارج. محاولة التحقيق في هذه الحالة ، أو إزالة القرار - ينتج مرة أخرى مجموعة حالات بسيطة، وهذه الحالات هي أيضًا احتمالية ومن المرجح أن تقدم الحل الصحيح أكثر من الحل الخطأ. يصعب على الإنسان إدراك هذه الحالة الداخلية ، بخلاف الدخول / الخروج ، لكن هذه الحالة الداخلية هي ما يسمى "المحسوس". كما هو الحال في الحوسبة الكمومية ، فإن تحديد الحالة الأولية وإزالة القرار هي إجراءات تستغرق وقتًا طويلاً. لذلك من السهل على الشخص أن يفكر "داخل نفسه" ، ولكن من أجل نقل أفكاره إلى الخارج ، إلى شخص آخر ، يجب على المرء أن يبذل قصارى جهده.
الآن يبقى فقط أن نلاحظ أن الخصائص المذكورة أعلاه للحوسبة الكمومية والذكاء البشري هي عمليًا واحدة لواحدة قابلة للتطبيق على خوارزمية الذكاء الاصطناعي الموصوفة سابقًا ، والتي كانت تستند إلى خوارزمية جينية.
في الواقع ، يبدو أنه في الدماغ ، بموجاته وتردداته وخوارزمياته ، يمكن أن ينشأ نوع من الخوارزمية الجينية ، مع كروموسوماته وحلوله البديلة؟ اتضح ، إذا نظرت من الجانب الآخر ، فإن الخوارزمية الجينية هي مجرد واحدة من مظاهر المزيد فئة عامةالعمليات.
اتضح أنه لكي يُظهر الدماغ خصائص كمومية مثيرة للاهتمام ، فليس من الضروري على الإطلاق سحب العمليات الكمومية مباشرة ، فهناك تفسيرات أكثر واقعية. وليس من الضروري على الإطلاق أن تتضمن الحوسبة الكمومية نفسها التصوف حول الأكوان المتوازية والحقائق المطلقة ، لأنه قد يتم تنظيمها على المستوى الجزئي في نوع من الخوارزمية الجينية التي تتظاهر فقط بغمر الجسيمات في حالة ملطخة ، ولكن في محتوى الحقائق مع الموارد الحاسوبية لكونه الخاص.
قد يكون من الجيد أنه عند تقاطع الحوسبة الكمومية والخوارزميات الجينية ومجالات أخرى من الذكاء الاصطناعي ، ستظهر نظرية جديدة للحوسبة ، والتي ستجعل من الممكن صنع حواسيب كمومية أكثر قوة ، وستسمح ، بناءً على الجهاز الصارم في فيزياء الكم ، لتوضيح العمليات التي تحدث في الذكاء بشكل أكثر دقة. بعد كل شيء ، ما توصلنا إليه حتى الآن في فهم الذكاء يذكرنا بالحكاية "أشعر في أحشائي أن 0.5 + 0.5 سيكون لترًا ، لكن لا يمكنني إثبات ذلك رياضيًا ،" عندما يمكننا فعل ذلك ، لكن لم نوضح السبب بعد.
التمثيل الداخلي للأشياء
كيف يتم تمثيل الأشياء الخارجية في الدماغ؟ قد يبدو أن الدماغ يعيد إنشاء النموذج المادي للأشياء والظواهر ، مما يؤدي إلى الكثير من الاستنتاجات غير الصحيحة. في الواقع ، التمثيل الداخلي ليس هو نفسه النموذج المادي على الإطلاق. النموذج الداخلي معقول. يشكل النموذج الداخلي نظيرًا يلتقط فقط أهم خصائص الكائن بالنسبة لنا ، تلك الخصائص التي تُستخدم في التجربة اليومية. يُطلق على هذا النموذج الداخلي أحيانًا اسم "الفيزياء الساذجة". ضمن حدود التجربة اليومية ، يعطي هذا النموذج ، وإن كان غير صحيح ، نتائج عملية تمامًا. ولكن بمجرد أن نتجاوز التجربة اليومية ، يفشل مثل هذا النموذج.
قد تكون مجموعة القواعد التي تشكل مثل هذا النموذج بعيدة جدًا عن التمثيل المادي الفعلي. لماذا يحمل التمثيل الداخلي بالإضافة إلى الكثير من الخصائص "الخيالية" للأشياء الحقيقية ، يبدأ التمثيل الداخلي في "عيش حياته الخاصة". على سبيل المثال ، الرسوم المتحركة. يمكن لأي شخص التعرف بسهولة على وجه مرسوم على صورة كاريكاتورية ، ويمكن للأشخاص المدربين رسم رسوم كاريكاتورية. لكن أنظمة التعرف على الوجوه الكاريكاتورية محيرة. وهي محقة في ذلك ، على الرغم من وجود نموذج معقول في أدوات التعرف ، إلا أنه أقرب بكثير إلى النموذج المادي من النموذج البشري.
يتميز التمثيل الداخلي أيضًا بتدرج التعقيد الموصوف سابقًا. وهو يتألف من حقيقة أن كائنًا أو ظاهرة أبسط تولد تمثيلًا داخليًا أكثر تعقيدًا ، وهو المسؤول عن نمذجة جوهر الأشياء. بعد كل شيء ، لا يمكن للعقل أن يصوغ الفيزياء بشكل مباشر. فكرة بسيطة تولد "شعورًا" بجوهر الأشياء ، عندما تشعر بالسبب وراء ذلك ، لكن لا يمكنك شرح ذلك. يمكن للتمثيل الأكثر تعقيدًا أن يوسع تمثيل الأشياء إلى مستوى الفهم والتخيل إلى مستوى التفكير الواعي (مثال مع الرسوم الكاريكاتورية).
مرحبا المنطق
ما هو المنطق ومن أين يأتي النشاط الفكري الأعلى؟
لقد انتقل عقولنا من أبسط ردود أفعال "المدخلات والمخرجات" إلى مزيج من عدد كبير من العمليات المتنافسة التي تفكك حالة الإدخال إلى تمثيل داخلي أكثر تعقيدًا.
نتيجة لذلك ، بالنسبة لبعض الأشياء ، يمكن تكوين مجمعات من القواعد ذات التعقيد الهائل (أكثر تعقيدًا بكثير من فيزياء الشيء الأصلي) ، والتي تمثل التمثيل الداخلي لهذا الشيء. ما نوع القواعد التي يمكن أن تكون عليها هذه القواعد وكيف يمكن تكوينها تقريبًا موصوف أعلاه. لكن الشيء الرئيسي هو أنه بسبب هذا الاختلاف في التعقيد بين الظاهرة الأصلية ووصفها ، يصبح تمثيل مختلف نوعيًا لهذه الظاهرة ممكنًا ، مما يجعل من الممكن اشتقاق معرفة جديدة حول هذه الظاهرة بدرجة عالية من المعقولية.
دعني أذكرك أن مفارقة الذكاء مقابل الخوارزمية تكمن في حقيقة أن الخوارزمية يمكنها فقط أن تصوغ بغباء فيزياء الأشياء ، دون فهم جوهر الظاهرة ، ولا يمكنها استنباط معرفة جديدة حول الظاهرة ، ولا يمكنها حتى ضمان حقيقة إنه عمل. العقل ، بسبب التمثيل الداخلي الأكثر تعقيدًا لجوهر الأشياء ، ليس فقط قادرًا على نمذجة هذه الأشياء نفسها ، ولكن أيضًا لاستنباط معرفة جديدة عنها ، وحتى تقييم حقيقة الأحكام حول هذا الشيء ، ومع درجة عالية من المعقولية.
إن انتقال التعقيد ، الذي يوسع تمثيل جوهر الأشياء والظواهر إلى تمثيل أكثر تعقيدًا من "الفيزياء" الأصلية للأشياء والظواهر ، هو مرشح جيد لدور الفهم. هناك تفكك في تمثيل داخلي معقد - هناك فهم وتشغيل عالي الجودة لجوهر الأشياء ، والاستجابة المرنة ممكنة في حالة المواقف غير المتوقعة. لا يوجد مثل هذا التحلل - فقط "الحشو" الغبي ممكن ، باتباع الخوارزمية بشكل أعمى ، وعدم إعطاء نتيجة معرفة جديدة وعدم إعطاء حساب لجوهر أو حقيقة عمل المرء ، والشرود عند ظهور عوامل جديدة.
لا يجذب الالتزام الغبي بالخوارزمية نشاطًا فكريًا أعلى ، وبالتالي فهو سريع وفعال ، حيث لا يلزم سوى رد فعل واضح على المواقف النموذجية. النشاط الفكري العالي ، بمشاركة الفهم ، قادر على تثبيت خوارزميات مختلفة ببطء ، لكنه غير قادر على تنفيذها بسرعة. من الممكن أيضًا الجمع بين هذه الطرق.
السؤال المنطقي التالي - هل من الممكن فهم ما يحدث في عملية الفهم؟ ونفس الإجابة المنطقية - على الأرجح نعم ، لكن هذا سيتطلب مثل هذا التمثيل للعمليات التي تحدث في العقل ، والتي ستكون أكبر بكثير من تعقيد العمليات الفكرية الأصلية. أي أنه يمكننا أن نتعلم شيئًا عن العقل ، يمكننا أن نفعل شيئًا ما ، لكننا لسنا قادرين على فهم عمل العقل البشري بشكل كامل ونوعي - قوة الدماغ ببساطة ليست كافية. على الرغم من أنه يمكننا دراسة الأنماط واستخدامها ، كما نستخدم أجهزة الكمبيوتر الآن ، دون إدراك كامل للعمليات التي تجري فيها. من غير الواقعي تخيل العمليات التي تحدث في كل الملايين من الترانزستورات ، على الرغم من أنه من الممكن تمامًا فهم كيفية عمل الوحدات المنطقية لدوائر الكمبيوتر وكيف يتم دمجها في مستويات أعلى. وينطبق الشيء نفسه على العقل.
مما سبق ، يتضح لماذا يصعب تفسير الفهم ، ولماذا يسهل الشعور بالفهم ، ولماذا من الممكن وضع التركيبات المنطقية التي تصاحب الفهم ، ولماذا من الصعب للغاية إعادة إنتاج الأساس الذي أدى إلى فهم نفسه. سيكون هناك قسم كامل حول هذا أدناه. من هنا يتضح ماهية الشعور ، ما هو الإحساس بحالة ما ، ولماذا يصعب التعبير عن المشاعر والأحاسيس ، ولكن من السهل الشعور بها. بشكل عام ، هناك العديد من النتائج المثيرة للاهتمام بالنسبة لأولئك المهتمين - انظر في اتجاه الخصائص الكمومية للوعي.
سؤال آخر هو كيف اتضح بالضبط أننا ندرك أنفسنا ، وندرك العالم من حولنا؟ هل ستحقق آلات التفكير مثل هذا الوعي؟ هذا أساسي سؤال فلسفييقع خارج نطاق الذكاء الاصطناعي ، لكننا سنحاول الإجابة عليه في الجزء التالي.
استمرارًا في التفكير حول الاختلافات في التعقيد والفهم ، توصلنا إلى استنتاج مفاده أن التمثيل الداخلي الفائق التعقيد ، في النهاية ، سيكون قادرًا على توليد حواف رفيعة جدًا ، يمكن للمرء أن يقول حواف حادة فائقة التناسق من التمثيل الداخلي لـ أشياء. بعبارة أخرى ، إضفاء المثالية ، أو تجريدات الأشياء الأصلية.
تدين هذه الأفكار التجريدية بميلادها إلى الجمع المتكرر لعدد كبير من العمليات الداخلية والمتضاربة والمشتركة. لكن بخلاف نتائج تفاعل الأغلبية العمليات الداخليةبالنسبة للتجريدات ، لن تكون النتيجة ضبابية (واسعة) بطبيعتها ، ولكن سيتم تجميعها ، كما كانت ، في نقطة ما ، في واحد أو أكثر من الحواف أو القمم شديدة الوضوح.
بطبيعة الحال ، يتم إنشاء التجريدات ، من بين أشياء أخرى ، من خلال الملاحظة المتكررة لمظاهر نماذجها الأولية الحقيقية ، وعن طريق الانعكاسات المتكررة التي تنطوي على التمثيل الداخلي للأشياء. علاوة على ذلك ، فإن تعدد هذه الملاحظات والانعكاسات هو بالتأكيد أعلى من تعدد الأشياء الأخرى التي لا تعطي تجريدًا. وطبيعة القواعد التي تعطي تمثيلًا داخليًا للتجريدات هي بالتأكيد أكثر تنظيمًا وأكثر تكيفًا مع ذروة التنسيق.
والخطوة التالية هي أن مثل هذه التوافقات الذروة ستكون قادرة على الاتحاد في سلاسل طويلة ، تتصرف وفقًا لقوانينها الخاصة. وهكذا نحصل على مستوى جديد من التفكير التجريدي أو المنطقي. من الطبيعي أن يكون هذا المستوى أكثر تعقيدًا من الفهم العادي ، وليس كل مخلوق يتمتع بالفهم قادرًا على إنشاء بنى منطقية معقدة.
ستعيش مثل هذه السلاسل المجردة وفقًا لقوانينها الخاصة ، في مكان ما يشبه النماذج الأولية الأصلية ، في مكان ما يبتعد عنها.
انتبه إلى مصدر الإنشاءات المنطقية. إنهم ليسوا على المستوى الحسابي ، ولا حتى في المستوى التالي ، مستوى الفهم. إنهم يشكلون بالفعل المستوى الثالث من الذكاء ، نوع من التفاهم على الفهم.
يبقى أن نتذكر أنه في عملية الإنشاءات المنطقية ، "يتظاهر" الدماغ فقط أنه يعمل مثل خوارزمية غبية ، مثل آلة الاستدلال البدائية. في الواقع ، العمليات المتضمنة في الإنشاءات المنطقية هي أوامر شاسعة من حيث الحجم أكثر تعقيدًا من التركيبات المنطقية الأصلية ، وبسبب هذه القفزة في التعقيد ، يتمكن العقل من إنشاء بنى منطقية جديدة والحكم على حقيقتها بدرجة عالية من الدقة.
وبنفس الطريقة ، يمكن للدماغ محاكاة عمل أجهزة الكمبيوتر (آلات تورينج) ، بسبب العمليات "الثقيلة" ، على الرغم من أنه يبدو أن الدماغ يتبع خوارزميات "دقيقة" (خاصة إذا تم تدريب الدماغ على مثل هذا العمل).
ومزيد من المعلومات حول الإنشاءات المنطقية الدقيقة وصياغة الخوارزميات. بالنسبة للمبتدئين ، قد يبدو أنه عند التفكير في الحقائق الرياضية أو عند تجميع برامج الكمبيوتر ، يجلس حكيم مستنير في نوع من التأمل ، وبمساعدة التفكير الصحيح يصل إلى الاستنتاجات الصحيحة أو يأتي بالبرنامج الصحيح. في الواقع ، ما يحدث هو أشبه بالرسم البياني التالي.
- لقد توصلت إلى "شيء ما" ، الإصدار الأولي (أو حتى إنشائه عن طريق الخطأ).
- فحص عمل هذا "الشيء" من خلال محاكاة التفكير المنطقي ، تذكر مناطق المشاكل.
- حاولت تحسين مناطق المشاكل عن طريق كتابة (تحسين هذا "الشيء").
- فحصت النسخة المحسنة ، وهلم جرا.
بعد كل شيء ، لا يستطيع الدماغ إنشاء سلاسل منطقية صحيحة أثناء التنقل فحسب ، بل يمكنه أيضًا التحقق من تشغيل هذه السلاسل من خلال محاكاة التفكير المنطقي. شيء آخر هو أن الدماغ لديه "مكتبة" ضخمة من القوالب لمواقف مختلفة ، بالإضافة إلى مجموعة من القواعد المعقولة حول كيفية دمج هذه القوالب مع بعضها البعض. من خلال تطبيق هذه القواعد والأنماط ، مع عدد قليل من المحاولات ، من الممكن بناء تفكير منطقي وبرامج جيدة. على وجه الخصوص ، قد تتضمن هذه القواعد تشخيصات لعمل مجموعات مختلفة من القوالب ، وقد يتم تجديدها وسيتم تجديدها ديناميكيًا ، بدلاً من تشغيل الإنشاءات المنطقية على كمية البيانات بالكامل في كل مرة.
يمكنك هذا الأسبوع قراءة حالة محفزة للغاية من طالب GeekBrains الذي درس المهنة ، حيث تحدث عن أحد أهدافه التي قادته إلى المهنة - الرغبة في تعلم مبدأ العمل وتعلم كيفية إنشاء روبوتات الألعاب على موقعه. ملك.
لكن في الحقيقة ، كانت الرغبة في إنشاء ذكاء اصطناعي مثالي ، سواء كان نموذجًا للعبة أو برنامجًا للجوال ، هي التي ألهمت الكثيرين منا في طريق المبرمج. المشكلة هي أن وراء طن المواد التعليميةوالواقع القاسي للعملاء ، تم استبدال هذه الرغبة برغبة بسيطة في تطوير الذات. بالنسبة لأولئك الذين لم يبدأوا بعد في تحقيق حلم طفولتهم ، إليك دليل موجز لإنشاء ذكاء اصطناعي حقيقي.
المرحلة 1. خيبة الأمل
عندما نتحدث عن إنشاء روبوتات بسيطة على الأقل ، تمتلئ العيون بالتألق ، ومئات الأفكار تومض في رأسي ما يجب أن يكون قادرًا على القيام به. ومع ذلك ، عندما يتعلق الأمر بالتنفيذ ، فقد تبين أن مفتاح السلوك الحقيقي هو الرياضيات. نعم ، الذكاء الاصطناعي أكثر تعقيدًا بكثير من كتابة البرامج التطبيقية - فالمعرفة بتصميم البرمجيات وحدها لا تكفيك.
الرياضيات هي القاعدة العلمية التي ستُبنى عليها برامجك الإضافية. بدون معرفة هذه النظرية وفهمها ، ستتفكك جميع الأفكار سريعًا إلى تفاعل مع شخص ، لأن الذكاء الاصطناعي ليس في الواقع أكثر من مجموعة من الصيغ.
المرحلة 2. القبول
عندما يتم القضاء على الغطرسة قليلاً من خلال أدب الطلاب ، يمكنك البدء في الممارسة. لا يستحق إلقاء نفسك على LISP أو الآخرين حتى الآن - يجب أولاً أن تشعر بالراحة مع مبادئ تصميم الذكاء الاصطناعي. تعد Python رائعة للتعلم السريع والمزيد من التطوير - فهذه هي اللغة الأكثر استخدامًا للأغراض العلمية ، والتي ستجد من أجلها العديد من المكتبات التي ستجعل عملك أسهل.
المرحلة 3. التنمية
الآن ننتقل مباشرة إلى نظرية الذكاء الاصطناعي. يمكن تقسيمها بشكل مشروط إلى 3 فئات:
- ضعف الذكاء الاصطناعي - الروبوتات ، التي نراها في ألعاب الكمبيوتر ، أو المساعدين البسيطين ، مثل Siri. إنهم إما يؤدون مهامًا عالية التخصص أو يمثلون مجموعة غير مهمة من تلك المهام ، وأي عدم القدرة على التنبؤ بالتفاعل يضعهم في طريق مسدود.
- الذكاء الاصطناعي القوي عبارة عن آلات يمكن مقارنة ذكاءها بالدماغ البشري. حتى الآن ، لا يوجد ممثلون حقيقيون لهذه الفئة ، لكن أجهزة الكمبيوتر مثل Watson قريبة جدًا من تحقيق هذا الهدف.
- الذكاء الاصطناعي المثالي هو المستقبل ، عقل آلي سيتفوق على قدراتنا. يحذر ستيفن هوكينج وإيلون ماسك وسلسلة أفلام Terminator من خطورة مثل هذه التطورات.
بطبيعة الحال ، يجب أن تبدأ بأبسط برامج الروبوت. لهذا تذكر لعبة قديمة جيدة Tic-tac-toe عند استخدام حقل 3x3 وحاول أن تكتشف بنفسك الخوارزميات الرئيسية للإجراءات: احتمالية الفوز بإجراءات خالية من الأخطاء ، أكثر الأماكن نجاحًا في الميدان لوضع قطعة ما ، الحاجة إلى تقليل لعبة للتعادل ، وهلم جرا.
عدة عشرات من الألعاب وتحليل أفعالك ، ستتمكن بالتأكيد من إبراز جميع الجوانب المهمة وإعادة كتابتها في رمز الآلة. إذا لم يكن كذلك ، فاستمر في التفكير ، وهذا الرابط موجود هنا فقط في حالة.
بالمناسبة ، إذا كنت لا تزال تستخدم لغة Python ، فيمكنك إنشاء روبوت بسيط إلى حد ما من خلال الرجوع إلى هذا الدليل التفصيلي. بالنسبة للغات الأخرى ، مثل C ++ أو Java ، ستجد أيضًا أنه من السهل العثور على مواد خطوة بخطوة. الشعور بأنه لا يوجد شيء خارق للطبيعة وراء إنشاء الذكاء الاصطناعي ، يمكنك إغلاق المتصفح بأمان وبدء التجارب الشخصية.
المرحلة 4. الإثارة
الآن بعد أن انتقلت الأشياء من المركز الميت ، ربما تريد إنشاء شيء أكثر جدية. ستساعدك الموارد التالية في هذا:
كما تفهم حتى من الأسماء ، فهذه واجهات برمجة تطبيقات تتيح لك إنشاء نوع من الذكاء الاصطناعي الجاد دون إضاعة الوقت.
المرحلة 5. العمل
الآن ، عندما تفهم بالفعل بوضوح كيفية إنشاء الذكاء الاصطناعي وما يجب استخدامه ، فقد حان الوقت لنقل معرفتك إلى مستوى جديد. أولاً ، سيتطلب ذلك دراسة التخصص الذي يسمى "التعلم الآلي". ثانيًا ، تحتاج إلى تعلم كيفية العمل مع المكتبات المناسبة للغة البرمجة المختارة. بالنسبة إلى Python التي ندرسها ، فهذه هي Scikit-Learn و NLTK و SciPy و PyBrain و Numpy. ثالثًا ، في التطوير لا يمكنك الابتعاد عنه. والأهم من ذلك ، يمكنك الآن قراءة أدب الذكاء الاصطناعي بفهم كامل للأمر:
- الذكاء الاصطناعي للألعاب ، إيان ميلينجتون ؛
- أنماط برمجة الألعاب ، روبرت نيستورم ؛
- خوارزميات الذكاء الاصطناعي وهياكل البيانات والتعابير في Prolog و Lisp و Java ، جورج لوغر وويليام ستوبالفيلد ؛
- علم الأعصاب الإدراكي الحسابي ، راندال أورايلي ، يوكو موناكاتا ؛
- الذكاء الاصطناعي: نهج حديث ، ستيوارت راسل ، بيتر نورفيج.
ونعم ، يتم تقديم جميع الأدبيات حول هذا الموضوع أو جميعها تقريبًا بلغة أجنبية ، لذلك إذا كنت ترغب في إنشاء الذكاء الاصطناعي بشكل احترافي ، فأنت بحاجة إلى رفع مستوى لغتك الإنجليزية إلى المستوى التقني. ومع ذلك ، هذا صحيح بالنسبة لأي مجال من مجالات البرمجة ، أليس كذلك؟